你只需一次高斯：面向超密样本场景的可控3D高斯溅射
计算机视觉与模式识别
2026-04-27 v2
摘要
3D 高斯溅射(3DGS)已彻底革新神经渲染，但现有方法仍主要是研究原型，不适用于生产环境部署。我们识别出阻碍实际应用的关键“行业-学术间隙”：来自启发式高斯增长的不可预测资源消耗、当前基准测试的“稀疏盾牌”对幻觉奖励物理忠诚，而非物理忠实；以及严重的多传感器数据污染。为弥合此间隙，我们提出YOGO(You Only Gaussian Once)，一个系统级框架，将随机增长过程重新构定义为确定性、预算感知的平衡。YOGO 集成了 novel budget controller 以实现硬件受限的资源分配，以及 availability-registration 协议以实现稳健的多传感器融合。为推动重建忠诚度的极限，我们引入 Immersion v1.0，首个为打破“稀疏盾牌”而设计的超密室内数据集。通过提供饱和视角覆盖，Immersion v1.0 迫使算法聚焦于极端物理忠诚而非视角插值，使社区能够聚焦于高保真重建的上限。广泛实验表明，YOGO 在保持严格确定性配置的同时，在视觉质量上实现了最先进水平，为生产级 3DGS 确立了新标准。为提高可重复性，部分场景的 Immersion v1.0 数据集和 YOGO 源代码已公开发布。项目链接为 https://jjrcn.github.io/yogo-project-home/。
引用
@article{arxiv.2604.21400,
title = {You Only Gaussian Once: Controllable 3D Gaussian Splatting for Ultra-Densely Sampled Scenes},
author = {Jinrang Jia and Zhenjia Li and Yifeng Shi},
journal= {arXiv preprint arXiv:2604.21400},
year = {2026}
}
备注
17 pages, 5 figures