XSPLAIN：面向3D高斯溅写的可解释原型学习框架
计算机视觉与模式识别
2026-02-12 v1
摘要
3D高斯溅写（3DGS）已成为高保真3D重建的标准方法，但其在多个关键领域的应用受限于生成模型和溅写分类缺乏可解释性。虽然存在针对其他3D表示（如点云）的可解释性方法，但通常依赖于模糊的显著性图，无法捕捉高斯原始块的体积一致性。我们引入XSPLAIN，首个为3DGS分类设计的先验可解释、基于原型的解释框架。该方法利用体素聚合PointNet主干网络和一种新颖的、可逆的正交变换，将特征通道解耦以实现可解释性，同时严格保持原始决策边界。解释基于代表性训练示例，使其能够进行直观的“这看起来像那个”推理，且无需损失分类性能。严格的用户研究（N=51）显示，XSPLAIN在可接受性上显著优于基线方法：参与者以48.4%的比例将其选为最佳解释（p<0.001），表明XSPLAIN提供了透明度和用户信任。该工作源码已公开：https://github.com/Solvro/ml-splat-xai
引用
@article{arxiv.2602.10239,
title = {XSPLAIN: XAI-enabling Splat-based Prototype Learning for Attribute-aware INterpretability},
author = {Dominik Galus and Julia Farganus and Tymoteusz Zapala and Mikołaj Czachorowski and Piotr Borycki and Przemysław Spurek and Piotr Syga},
journal= {arXiv preprint arXiv:2602.10239},
year = {2026}
}