pixelSplat：从已标定图像对前馈预测三维高斯

一句话结论

共享网络由两张有相机参数的图像前馈生成显式高斯，结合极线深度尺度编码与可反传的桶概率—透明度路径，省去测试场景逐场优化；训练需要跨场景预训练且推断前仍需相机标定（CVPR正文pp.19457–19464、官方补充§7/9）。

输入与方法

RealEstate10K/ACID视频的两参考RGB+SfM内外参，预测每像素离散逆深度分布、偏移及高斯属性。极线注意力在跨图对应上注入场景相机尺度；实际每像素抽三粒高斯（正文Alg.1简化为一粒），将抽中桶概率分配为opacity再用可微渲染损失反传（主文§4 Eq.2–8、补充§7.1）。测试新场景编码一次，之后每帧快速渲染，仍存在未观测内容缺口。

结果与成本

主文Table1 p.19462：ACID 28.27/.843/.146、RealEstate10K 26.09/.863/.136（PSNR/SSIM/LPIPS），优于作者统一loader重训的Du/GPNR/pixelNeRF；单次编码.102s、逐帧渲染.002s。该表14.4GB是标准化单场/256×256射线的训练显存外推；补充p.1§7.1报告真实batch7、300k步约80GB单卡显存和DINO预训练特征。
去极线/去深度编码/去概率采样的RE10K PSNR 19.89/24.97/24.62，对照完整26.09；深度额外正则50k步后25.28并伴几何可视改善（主文Table2 p.19464、Fig.4）。
反光物透明、域外视角呈billboard，两个输入视图高斯仅取并集未去重，更多视图极线注意力很耗内存（主文p.19463、补充§9）。图像分数不能用作GT几何准确性证据。

版本与相关

CVF正式11页加8页补充，代码MIT；独立证据与口径审计：raw/ingest/2026-09-25-pixelsplat/analysis.md。与MVSplat作同数据和同位姿对照；后者表中的pixelSplat重测分数略异于本文主表，比较以同表为准。

证据关联

3DGS研究专题；MVSplat：匹配代价体驱动的前馈三维高斯、3DGS as MCMC：用高斯重定位改写密度控制。逐页审计见raw/ingest/2026-09-25-pixelsplat/analysis.md。

{ "id": "2026-09-25-pixelsplat", "type": "source", "title": "pixelSplat：从已标定图像对前馈预测三维高斯", "status": "reviewed", "note_status": "reviewed", "created": "2026-09-25", "updated": "2026-09-25", "source_type": "paper", "venue": "CVPR 2024", "authors": "[David Charatan, Sizhe Lester Li, Andrea Tagliasacchi, Vincent Sitzmann]", "published_at": "2024-06-01", "ingested_at": "2026-09-25", "canonical_links": [ "https://openaccess.thecvf.com/content/CVPR2024/html/Charatan_pixelSplat_3D_Gaussian_Splats_from_Image_Pairs_for_Scalable_Generalizable_CVPR_2024_paper.html", "https://openaccess.thecvf.com/content/CVPR2024/papers/Charatan_pixelSplat_3D_Gaussian_Splats_from_Image_Pairs_for_Scalable_Generalizable_CVPR_2024_paper.pdf", "https://openaccess.thecvf.com/content/CVPR2024/supplemental/Charatan_pixelSplat_3D_Gaussian_CVPR_2024_supplemental.pdf", "https://github.com/dcharatan/pixelsplat" ], "raw_entry": "raw/ingest/2026-09-25-pixelsplat/", "topics": "[topics/3d-gaussian-splatting]", "entities": [], "claims": [], "questions": [], "tags": [ "near-cvpr-2025", "3d-vision", "gaussian-splatting", "primary-source" ] }

pixelSplat从已标定图像对前馈预测三维高斯