新论文用置信度感知致密化修复 3DGS-MCMC 背景欠重建
zhenjun_zhao · x · 2026-10-13
格拉茨研究团队（含 Bernhard Kerbl、Lukas Radl 等 3DGS 核心作者）提出置信度感知致密化方法，回应 3DGS-MCMC 的固有缺陷：基于不透明度的采样会把新原语集中到已重建好的前景，导致背景欠重建。
- 方法保持固定原语预算与渐进生长，改用图像误差驱动布点：新原语主要在屏幕空间梯度大处生成，优先保留学习到的置信度低（重建解释差）的区域原语，并把贡献最小的原语搬迁过去
- 在 24 个场景上，从 100k 到 2M 原语的每个预算下 PSNR/SSIM/LPIPS 均优于 3DGS-MCMC
- 100k 预算下无需先验或初始化阶段，即可追回 1.05dB 差距中的 0.84dB（对比 ConeGS 领先 3DGS-MCMC 的部分）；500k 起进一步缩小与先验方法的差距
配图显示不透明度比例采样确实错过红框中的高误差区域，而置信度加权梯度分布能覆盖这些区域。
「研究」频道最新
- Allen AI 发布 TutorMoments 评测：LLM 辅导常过度代劳 — allen_ai · 2026-10-13
- Ben Goertzel 系列博文重审 Omohundro 基本AI驱力论,拆出六大前提 — bengoertzel · 2026-10-13
- Pim DeWitte:机器人训练不该迷信生成模拟器,像素空间原生训练才是优势 — chris_j_paxton · 2026-10-13
- DeepMind 发布机器意识理论综述，提出分层评估框架 — Dr_Atoosa · 2026-10-13
- 团队推 Noise：押注零阶优化取代反向传播，预训练再提速千倍 — madhavsinghal_ · 2026-10-13
- 哈佛团队发布百万级智能体轨迹数据集 freeinference_agentic_trace — harvardMadsys · 2026-10-13