English translation pending — this page shows the Chinese original.
一句话结论
对环绕物体、方位角覆盖完整但仰角受限的32张已标定图像，先逐场训练高斯，再用跨场景PTv3残差网络精修，作者ShapeNet-OOD高仰角目标表报27.98 PSNR，对表中原3DGS的20.21；网络108ms只计精修，逐场高斯训练与跨场先验成本仍在（正式ICLR PDF pp.6–8 Fig.3/Table1，内附录pp.16–17）。
输入、表示与学习
输入为有内外参的低仰角RGB及经10k步逐场优化的3DGS，输出是同一高斯表示的中心、尺度、旋转、透明度与球谐颜色残差，仍需目标相机和3DGS渲染器得到RGB。PTv3通过五级降采样/四级升采样传播点邻域信息，五类MLP头最后层零初始化；用输入和高仰角目标图像的L1+LPIPS监督，训练时每步四幅目标图、70%域外和30%输入视角。主模型没有GT网格监督，也没有从RGB直接前馈建场的测试流程（pp.4–7 Fig.3/Eqs.3–7，附录pp.15–17）。
数据、主结果与比较分母
- 训练资产：ShapeNet 33k及Objaverse-1.0 48k对象，各由32张低仰角与5张俯视图生成初始高斯/监督。ShapeNet评测20对象×10°一种输入条件；Objaverse与GSO各20对象×10°/20°两条件，同一对象两次条件共享9张≥70°目标图；256×256。论文p.8的“两条件”概述以附录p.15的ShapeNet特例限定。独立单位优先为对象，重复条件及多目标视图具相关性；作者选取有显著顶部形态、避开大空腔对象（pp.7–8，附录pp.15–16）。
- Table1：ShapeNet-OOD本法27.98/.920/.136，对3DGS 20.21/.763/.242、2DGS 23.52/.863/.188；Objaverse-OOD本法23.06/.821/.170，对3DGS 19.24/.673/.285、2DGS 20.56/.739/.248（PSNR/SSIM/LPIPS，p.7 Table1）。LaRa四图、SyncDreamer一图与本法32图输入预算不同；作者重训/微调若干基线。表中的3DGS基线30k步，本法输入高斯10k步，表格不是同一高斯的严格配对前后比较（p.8、附录pp.16、20–22）。
- 跨域GSO：25.01/.863/.148 对3DGS 21.78/.746/.250；四个iPhone实拍场为24.33/.902/.100 对23.83/.877/.109。实拍位姿由全视图估计、初始点只用训练图三角化，前景高斯手动裁剪，目标图像SAM2掩码内评价；实拍PSNR优势较小（p.9 Table2，附录pp.15、20）。MVImgNet的70留出场21.68/.757/.424 对19.81/.728/.432依赖另以4k实拍场训练模型及不同的正面/侧面划分，属于适配实验（附录p.23 Table H.2）。
消融与反方证据
- Objaverse同协议Table4：PTv3直接预测21.36/.772/.211、Minkowski残差22.67/.807/.181、PTv3残差23.06/.821/.170；支持作者配置的残差与网络选择，不能推出Transformer普适领先（p.10）。
- GSO的R=0.8、仰角20°时原3DGS 27.85 PSNR高于本法27.28；改成高仰角输入、低仰角目标时零样本仅18.01/.697/.297→18.22/.712/.283。复杂纹理、高频细节和完全不可见结构仍有失败；20场小规模3D伪标签拟合没有带来更好2D渲染，深度/法线MAE来自渲染深度与差分法线，并非独立GT网格重建（pp.10、18–19 Tables D.1/E.1，p.22 Fig.G.1，p.23 Table H.1）。
- 版本排印差异：ShapeNet Table3另报28.09而Table1为27.98；附录Table F.2第二输入仰角列头重印10°，表题/正文却写10°和20°；F.1 LaRa SSIM均值.684对Table1 .682。保留每表原值和条件，等待逐对象结果重核（pp.7、10、19）。
成本、复现与证据边界
约3000 RTX2080Ti GPU-hours制备训练高斯/图像；附录写48张2080Ti、每对象约3分钟、每训练集约2天，属于不同近似记账。约5000万参数网络在8×RTX4090训练150k步约2天。70k–100k高斯的900MB/108ms只是一次前馈精修，先有10k步逐场优化；4090上400万合成点是压力试验上限，空间分布影响显存。位姿估计、渲染、预处理与真实端到端墙钟未统一报告（p.7、附录pp.15–17、20）。作者仓库README给出训练/评估入口及测试集/权重下载链接，未独立下载验证；仓库API license=null，数据许可说明不等于本仓库代码授权。官方补充ZIP两段视频已完整解码并按时间取样，只是定性展示；本轮复核正式PDF页图Table1、E.1/F.2、H.1/H.2，先前视觉服务失败记录仍见原始审计。没有执行GPU训练或真实基准复现。
证据关联
3DGS研究专题；3D Gaussian Splatting：从稀疏点到实时新视角渲染、2D Gaussian Splatting：用三维中的二维高斯圆盘重建表面、MVSplat：匹配代价体驱动的前馈三维高斯、NoPoSplat:Canonical-space Gaussians from Sparse Unposed Images。SplatFormer处理已建高斯的相机域偏移；与从RGB直接前馈预测高斯的MVSplat及无输入外参的NoPoSplat比较，先固定相机、32视输入、初始高斯质量、训练对象及完整卡时。逐页证据与原始材料：raw/ingest/2026-09-25-splatformer/analysis.md、page-evidence.md、paper.pdf。