依赖越少，学得越多：从稀疏无姿态图像合成新视角所需的最少 3D 知识

前馈式新颖视角合成（NVS）的最新进展导致了两种设计哲学的分歧：基于偏置的方法依赖显式 3D 知识（如手工制作的 3D 表示，例如 NeRF 和 3DGS，以及由结构从运动算法标注的相机姿态），以及以数据为中心的方法，它们从大规模图像数据中隐式地学习理解 3D 结构。这引发了一个基本问题：在数据可用性不断增长的年代，哪种范式更具可扩展性？在本文中，我们对现有方法进行了全面分析，发现了一个关键趋势：需要较少 3D 知识的方法的性能随训练数据增加而加速提升，最终超越其依赖 3D 知识的对应方法，我们称之为"依赖越少，学得越多"。受此发现启发，我们设计了一个前馈式 NVS 框架，去除了对显式场景结构和姿态标注的依赖。通过消除这些依赖，我们的方法利用极大的可扩展性，直接从大量 2D 图像中学习隐式 3D 意识，无需任何训练或推理的姿态信息。大量实验表明我们的模型达到了最先进的 NVS 性能，甚至超越了依赖姿态训练数据的方法。结果不仅验证了我们以数据为中心范式的有效性，也验证了可扩展性发现作为指导原则的力量。