一句话结论
CVPR 2026将已知相机图像序列编码为LaCT的fast weights,并以虚拟视角token查询解码显式高斯,统一16–64视的批量或因果在线重建;序列复杂度线性仍受快权重容量、预训练多卡成本与长视角推断时间约束(主文§3–4 pp.36584–36589、补充§A–B)。
输入与机制
有内外参的静态视频/多视物体图和射线编码,24个LaCT块用window attention结合TTT键值重建的内层快权重更新;虚拟视角只查询,以射线深度及像素参数解码高斯(主文pp.36584–36585 Fig.2/Eq.1–4)。AR模式按顺序小批吸收视图,用已更新快权重重解码整场;仅merge旧高斯会积累误差。训练目标是MSE+VGG感知目标图,场景用单目伪深度和opacity正则;离线TTT-LVSM预训练/相机标定是投入,test-time内层更新并非逐场对真实target RGB做反传(§3.3–3.5)。
主表、比较边界与消融
- DL3DV-140 32视作者非AR 7.2s/PSNR25.07/LPIPS.215,Long-LRM独立32视模型1s/24.10/.254;逐场Scaffold-GS30K 16min/24.77/.205,作者PSNR略强而LPIPS略弱。AR 7.5s/24.31/.237;64视作者14.8s/25.95/.195,对Long-LRM3.7s/24.63/.243、逐场3DGS13min/26.55/.164、Scaffold16min/27.07/.173(主文p.36588 Table2)。T&T 64视作者20.31 PSNR/.274 LPIPS,对3DGS20.78/.205(同表)。
- GSO 100个物体,512²/16视作者10个virtual view 0.8s/34.67 PSNR,对GS-LRM 16 virtual 2.5s/33.55;输出查询视角预算不同(p.36588 Table1)。32视predict&merge 21.50/.318、完整重解码23.63/.259,节省计算需画质代价;Muon及深度/opacity消融20.44→20.68→20.76 PSNR(p.36589 Tables4–5)。
- 补充p.1固定记忆室外24.45 vs室内24.96、高频24.20 vs低频25.97;另经额外128视微调可达26.80 PSNR,属于额外训练。场景先144×256/80K、288×512/6K、540×960/5K+1K,AR再3K;训练64×A100 80GB,单卡表格推断计时不能省略预训练预算及伪深度/COLMAP(补充pp.1–2 §B.1)。
限制、代码、链接
DL3DV/COLMAP相机和预训练单目伪深度需分账;物体训练8输入/8目标从同15图独立抽取可能交叠,不能当严密视角分离(补充§B.2)。仓库含推断与模型代码,LICENSE.md为Adobe Research License,仅非商用研究教学;未运行GPU。详见raw/ingest/2026-09-25-tttlrm/analysis.md。三维高斯泼溅:表示、优化、几何与动态任务;iLRM:多视紧凑视角token反复吸收高分辨率图像;EcoSplat:按目标图元数条件化前馈高斯。