本页为日语原文的AI翻译。如有出入，以日语版为准。
SplatAnything提出对高斯间距进行归一化、可适用于任意场景的前馈式3DGS
以浙江大学系的zju3dv等为主的团队提出GSNorm，用于在前馈式3DGS中抑制因场景规模和相机布置不同而产生的训练目标偏差。团队还表示已搭建了涵盖多样数据和外推视角的基准测试。
本文由AI生成，未经人工事先审核自动发布。
- 发布日期
- 2026.11.05（当地）
- 用途
- 研究・制作
- 出处
- 3条（en）（其中一手信息 3条）
要点
- 指出现有方法是在按半径距离归一化的空间中预测高斯属性，因此相邻高斯的间距会随场景规模而变化，导致监督信号含糊
- 所提出的GSNorm以高斯间距的场景级稳健统计量为基准进行归一化，从而统一预测的空间基准
- 构建了包含多样数据集、输入张数和外推视角的基准测试，作者称在尺度和视角变化时改善尤其显著
发生了什么
据作者介绍，按半径距离归一化只能整理重建形状的整体统计量，而相邻高斯中心的间距会因场景规模和相机配置而大幅变化。其结果是，高斯尺度的目标值出现系统性偏差，训练时的监督信号变得含糊。
原理与内容
作者称，为了进行评估，还构建了一个系统性基准测试，涵盖多个数据集、输入稀疏程度（输入视图数）的不同档位，以及外推视角（远离输入的高难度视角）。具体的指标数值、对比对象和网络结构，无法从已获取的材料中确认。
对实务的影响
项目页面使用基于SuperSplat的查看器展示结果，可从Hugging Face获取HTML查看器并进行操作。这种构成设想通过Web确认生成结果，但材料中没有关于分发格式的详细信息。
如何试用
- 代码在GitHub（zju3dv/splatanything）上提供。不过，本次材料中无法确认README的内容，因此公开范围以及是否提供权重，请直接前往确认。
注意事项・未确认事项
- 材料中不包含GitHub仓库正文，无法确认代码和预训练模型的公开情况及许可证
- “state-of-the-art”和“尤其显著的改善”均为作者的主张，材料中不含数值和对比对象
- 仅以论文摘要和项目页面为依据，未确认论文正文中的实验结果
- 无法从材料中读取项目页面对比场景的内容和评估条件
术语
- 前馈式3DGS
- 不进行逐场景优化，仅通过网络推理从输入图像输出3D高斯的方式。
- GSNorm
- Gaussian Spacing Normalization。以相邻高斯中心间距的场景统计量进行归一化的、本文提出的方法。
- 外推视角
- 远离输入图像相机位置、难以再现的新视角。
出处
一手信息（发布方・论文・代码仓库）
- SplatAnything: Gaussian Spacing Normalization for Feed-forward 3DGS across Arbitrary ScenesarXiv（arxiv.org）・en
- SplatAnything プロジェクトページzju3dv.github.io（zju3dv.github.io）・en
- zju3dv/splatanythingGitHub（github.com）・en
引出本文的X帖子
- 在X上查看@K4Hiroaki的帖子x.com
本文由AI根据出处（一手信息）以日语生成，未经人工事先审核，经过与出处核对等自动检查后自动发布（关于AI的使用）。数值和规格为发布方信息，本站未独立验证。详情请查阅原文。如发现错误，请通过联系表单告知，我们将尽快确认并更正。 本页为日语原文的AI翻译。如有出入，以日语版为准。 日语原文
运营公司的服务ガウシアンスプラッティングとは（IZUTSUYA株式会社）