FreeFix：通过无微调扩散模型提升 3D 高斯溶解
计算机视觉与模式识别
2026-01-29 v1
摘要
神经辐射场和 3D 高斯溶解已推进新视角合成，但仍依赖稠密输入，且在外推视图时常恶化。最近的研究方法利用生成模型，如扩散模型，提供额外的监督，但在泛化性与保真度之间存在权衡：为人工物移除微调扩散模型可提高保真度，但风险过拟合；而无微调方法可保留泛化性，但往往 yield 较低的保真度。我们引入 FreeFix，一种无微调方法，通过使用预训练图像扩散模型来增强外推渲染，这拓展了该权衡的边界。我们提出了交错的 2D-3D 细化策略，表明图像扩散模型可用于一致的细化，而无需依赖高成本的视频扩散模型。此外，我们深入审查了 2D 细化的指导信号，提出了 per-pixel 置信度掩码，以识别不确定区域以实现针对性改进。跨多个数据集的实验表明，FreeFix 在多帧一致性方面取得改进，并实现与或超过基于微调的方法的性能，同时保持强大的泛化能力。
引用
@article{arxiv.2601.20857,
title = {FreeFix: Boosting 3D Gaussian Splatting via Fine-Tuning-Free Diffusion Models},
author = {Hongyu Zhou and Zisen Shao and Sheng Miao and Pan Wang and Dongfeng Bai and Bingbing Liu and Yiyi Liao},
journal= {arXiv preprint arXiv:2601.20857},
year = {2026}
}
备注
Our project page is at https://xdimlab.github.io/freefix