LLLMWIKI
ArticleResearch mapReading portalMetadata

Source note · Updated 2026-10-10

POp-GSNext Best View in 3D-Gaussian Splatting with P-Optimality

Read the paper

#near-cvpr-2025#3d-vision#gaussian-splatting#evaluation#primary-source

English translation pending — this page shows the Chinese original.

一句话结论

POp-GS用已有高斯地图估计候选相机的信息价值，在固定照片预算下改善部分重建画质；更完整的估计需要更多内存和时间，而且并非每项指标都更好。

问题定义与输入

任务是下一最佳视角（next best view）：已有拟合高斯地图和已知候选相机位姿，从中决定接下来获取或用于训练的照片。评分不需要候选照片RGB，但选中后仍需实际照片训练；实验在离线有位姿照片池中模拟采集，不是未知位姿前馈重建，也没有完整机器人路径规划验证（主pp.1–5）。从已训练地图挑关键帧是另一种权限，不能与从少量照片开始采集混合。

方法概述

在当前参数附近线性化渲染，用图像对参数的导数J构造信息矩阵H=JᵀJ，再用Σ≈H⁻¹近似参数估计的不确定性。加入候选视角的导数后H_i=H+J_iᵀJ_i；选择降低不确定性最多的视角。推导依赖局部线性化、零均值独立同分布高斯像素误差及估计假设，不等于实际几何误差或碰撞风险（主pp.3–4 Eq.5–10）。Σ也不是单个高斯自身的空间形状协方差。

P-最优性把Σ的特征值用不同平均方式汇总。T关注平均方差，D关注不确定性体积，A和E强调其他谱特征。论文测试T/D较好，不能推出任何数据上都最优（主pp.4–5）。简化版本只存对角；块对角版本保留单个高斯内部参数联系、仍忽略不同高斯之间的相关性，并按RGB通道处理以避免奇异。批量贪心逐次选视角并更新H，评分批次内部不重新训练地图，因而不是全局最优组合或完整路径规划。

评测协议

Mip-NeRF360为9个真实场景（5室外、4室内），Blender为8个合成对象。论文报告图像尺寸1060×1600；这里只比较原论文同表平均，不跨数据集排榜（主pp.5–6）。未充分提供独立种子重复、方差和完整划分ID。

协议初始照片最终照片优化预算 / 权限
单张逐次采集210每次训练100v步，v为当前视图数；最终累计10,000步
单张逐次采集420每次100v步；最终累计21,000步
每轮选4张420轮间150v步；最终累计10,000步，批内评分不重训
关键帧选择已拟合地图10从同一预训练地图选帧后重新训练新地图；预训练覆盖和成本必须另计

主结果：同样照片数的画质取舍

主p.6 Table2、p.7 Tables3–5、p.8 Table6及补p.1 Tables8–10。统一采样（Uniform）、FisherRF、T、简化D和块对角D为原表方法名；表中PSNR单位dB。

数据 / 协议方法PSNR ↑SSIM ↑LPIPS ↓
Mip360，10张单选Uniform17.29.508.432
同上FisherRF16.81.493.445
同上T17.91.520.420
同上D简化17.95.535.411
同上D块对角18.15.548.401
Blender，10张单选Uniform23.32.885.101
同上FisherRF24.59.897.091
同上T25.40.908.080
同上D简化25.52.909.078
同上D块对角25.41.908.078
Mip360，20张单选Uniform20.86.616.408
同上FisherRF20.89.608.416
同上T21.07.615.409
同上D简化21.09.624.406
同上D块对角21.32.636.397
Mip360，20张批选Uniform20.42.613.389
同上FisherRF20.50.603.399
同上T20.73.611.391
同上D简化20.86.624.383
同上D块对角20.79.631.378
Blender，10关键帧Uniform23.47.888.109
同上FisherRF18.37.829.184
同上T24.90.903.096
同上D简化24.26.899.101
同上D块对角24.53.902.099
Blender，20张单选Uniform26.15.918.084
同上FisherRF27.12.925.079
同上T27.29.929.076
同上D简化27.25.930.075
同上D块对角27.28.930.075
Blender，20张批选Uniform26.64.925.074
同上FisherRF27.64.932.069
同上T27.89.936.065
同上D简化27.87.937.064
同上D块对角27.80.935.065
Mip360，10关键帧Uniform18.30.560.435
同上FisherRF15.66.471.515
同上T18.66.560.425
同上D简化18.57.559.426
同上D块对角18.73.571.417

怎么读：Mip360十张单选的块对角D比统一采样提高0.86dB，比FisherRF提高1.34dB（按原表相减）。但Blender十张单选的简化D更好，Blender批选时块对角D三项都弱于简化D，Blender关键帧由T领先。T在Mip360二十张两种协议的SSIM/LPIPS也弱于Uniform。更复杂的信息估计不能当作无条件领先。

A/E的完整原表见内部逐页分析：如Mip360十张A为15.55/.452/.480、E为15.33/.436/.488，均弱于Uniform。原文称Mip360二十张Uniform略优于FisherRF，但PSNR实际20.86低于20.89，仅结构/感知指标支持该说法。作者对FisherRF随机策略实现的质疑未独立代码核验；省略Random/ActiveNeRF源于既有比较，不能当完整最强基线审计。

不确定性验证与消融

主p.8 Fig5及补p.2 Fig6覆盖Blender八对象：用10个随机视角训练2,000步，按候选信息排序，观察逐十分位累计平均PSNR。知道真实PSNR的Oracle只作参照，部署时不可获得；所有曲线在100%汇合因为用了同一照片池，不证明概率校准或新增采集后的收益。没有覆盖率、校准误差或真实几何误差验证。

主p.8 Table7，块对角D的Blender十张实验；表内表示移除的参数，而非保留参数。

移除参数PSNR ↑SSIM ↑LPIPS ↓
球谐外观SH25.52.9089.0784
不透明度25.56.9087.0778
位置 / 旋转 / 尺度25.36.9074.0793
无25.41.9084.0776

去掉外观或不透明度仍保留相近画质，部分指标反而提高；没有误差条，不能声称几何项统计显著最重要。

信息计算成本与实现边界

主p.8在Ship对象报告如下；原文称latency但单位是Hz，按频率记录，不是渲染FPS或系统速度。

信息估计版本内存 ↓信息评估频率 ↑
完整块对角2.62 GB0.15 Hz
块对角，去SH75.3 MB1.71 Hz
简化对角44.4 MB12.16 Hz

未给硬件、高斯数量、计时边界及全候选打分/训练/移动/拍摄总耗时；相同步数不保证相同墙钟成本。没有轨迹、碰撞、行程、带宽或传感器预算实验。当前只确认官方PDF/ZIP及元数据；未核实官方代码或项目链接，也未执行模型或下载训练数据。原文的简化正则化记号与推导层次不同，缺实现核验，不能擅自确定加在H还是Σ。

CVF补充ZIP含两页PDF和95.12秒1280×720视频。视频完整播放至结束，并查看材料、鼓、船和榕树等四窗对比；仅作为定性图像说明，不新增几何或速度证据。论文原件及全文抽取保留内部，CVF版权不视为开放代码许可。

局限、综合判断与下一步

信息近似依赖当前地图：遮挡排序、增密剪枝和参数变化会使局部导数及旧信息失准。不同高斯相关性仍被丢弃；尚未表示的区域可能没有足够导数反馈，这一点是从方法结构作出的推断。实际优化含L1/DSSIM，也不完全等同推导的高斯平方误差模型。

先配平初始地图、可用位姿、照片数及完整时间/内存，再比较简化D、去SH块对角、完整块对角和统一采样。除画质外增加真实几何、地图缺失区域、位姿误差及实际移动成本；分别测试逐次采集与预训练关键帧。已有结果支持局部信息指导照片选择，不能直接证明机器人安全或完整在线系统更高效。

原始链接

相关页面

Metadata
{
  "id": "2026-10-10-pop-gs",
  "type": "source",
  "title": "POp-GS：用不确定性选择下一张照片",
  "title_en": "POp-GS: Next Best View in 3D-Gaussian Splatting with P-Optimality",
  "status": "reviewed",
  "created": "2026-10-10",
  "updated": "2026-10-10",
  "venue": "CVPR 2025",
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Joey Wilson",
    "Marcelino Almeida",
    "Sachit Mahajan",
    "Martin Labrie",
    "Maani Ghaffari",
    "Omid Ghasemalizadeh",
    "Min Sun",
    "Cheng-Hao Kuo",
    "Arnab Sen"
  ],
  "published_at": "2025-06-10",
  "ingested_at": "2026-10-10",
  "canonical_links": [
    "https://openaccess.thecvf.com/content/CVPR2025/html/Wilson_POp-GS_Next_Best_View_in_3D-Gaussian_Splatting_with_P-Optimality_CVPR_2025_paper.html",
    "https://openaccess.thecvf.com/content/CVPR2025/papers/Wilson_POp-GS_Next_Best_View_in_3D-Gaussian_Splatting_with_P-Optimality_CVPR_2025_paper.pdf",
    "https://openaccess.thecvf.com/content/CVPR2025/supplemental/Wilson_POp-GS_Next_Best_CVPR_2025_supplemental.zip",
    "https://doi.org/10.1109/CVPR52734.2025.00345"
  ],
  "raw_entry": "raw/ingest/2026-10-10-pop-gs/",
  "topics": [
    "topics/3d-gaussian-splatting"
  ],
  "entities": [],
  "claims": [],
  "questions": [],
  "tags": [
    "near-cvpr-2025",
    "3d-vision",
    "gaussian-splatting",
    "evaluation",
    "primary-source"
  ]
}