AirSplat：面向稳健的前馈 3D 高斯溅射的数学-alignment 与评级
计算机视觉与模式识别
2026-03-27 v1
摘要
虽然 3D Vision Foundation Models（3DVFMs）在视觉几何估计方面展现出惊人的 zero-shot 能力，但其直接应用于通用的 novel view synthesis（NVS）仍富具挑战性。本文提出 AirSplat，一种新颖的训练框架，有效地将 3DVFMs 的稳健几何先验适配到高保真、无姿态的 NVS 中。我们的方法引入两个关键技术贡献：（1）Self-Consistent Pose Alignment（SCPA），一种训练时反馈回路，确保像素对齐的监督以解决姿态-几何偏差；（2）Rating-based Opacity Matching（ROM），该方法利用稀疏视图 NVS 教师模型中所获的局部 3D 几何一致性知识，以筛选出退化的原始素材。大量实验表明，我们的方法在大规模基准数据集上显著优于 state-of-the-art 无姿态 NVS 方法，实现重建质量的显著提升。我们的 AirSplat 凸显了适配 3DVFMs 以实现同时视觉几何估计与高质量视角合成潜力的可能性。
引用
@article{arxiv.2603.25129,
title = {AirSplat: Alignment and Rating for Robust Feed-Forward 3D Gaussian Splatting},
author = {Minh-Quan Viet Bui and Jaeho Moon and Munchurl Kim},
journal= {arXiv preprint arXiv:2603.25129},
year = {2026}
}
备注
Project page: https://kaist-viclab.github.io/airsplat-site