Learn2Splat：扩展学习型 3DGS 优化的视野
计算机视觉与模式识别
2026-05-18 v1
摘要
3D 高斯泼溅（3DGS）优化最常使用标准优化器（Adam、SGD）来执行。虽然标准优化器在多样化的场景中表现稳定，但它们是通用型的，并未针对问题的结构进行定制。特别是，它们产生的独立参数更新无法捕捉场景内的结构和空间关系，导致优化效率低下和收敛缓慢。最近的工作引入了学习型优化器，它们能根据参数间和高斯间的依赖关系预测相关的更新。然而，这些方法是为固定次数的优化迭代训练的，并依赖手动调度的学习率来避免性能退化。在本文中，我们引入了一种用于 3DGS 的学习型优化器，它能在扩展的优化视野中避免退化，而无需辅助机制。为了实现这一点，我们提出了一种元学习方案，通过检查点缓冲区和优化器展开策略来扩展优化视野，并结合了一种在其潜在状态中编码梯度尺度信息的架构。结果表明，在保持长视野稳定性的同时，早期新视角合成质量得到提升，并能零样本泛化到未见过的重建设置。为了支持我们的发现，我们引入了第一个统一框架，用于在稀疏和密集视图设置下训练和评估学习型与传统优化器。代码和模型将公开发布。我们的项目页面可在 https://naamapearl.github.io/learn2splat 获取。
引用
@article{arxiv.2605.15760,
title = {Learn2Splat: Extending the Horizon of Learned 3DGS Optimization},
author = {Naama Pearl and Stefano Esposito and Haofei Xu and Amit Peleg and Patricia Gschossmann and Lorenzo Porzi and Peter Kontschieder and Gerard Pons-Moll and Andreas Geiger},
journal= {arXiv preprint arXiv:2605.15760},
year = {2026}
}