CompactSplat：把更多高斯留给复杂区域
纹理驱动的空间分配如何减少冗余，又会漏掉什么？
CompactSplat从稀疏视图前馈预测高斯场景，按图像局部变化自适应分配高斯数量。它面向可渲染场景压缩；较少高斯不等于闭合网格，也没有直接提供UV、部件结构或PBR材质。
图解主要方法
纹理驱动的空间分配如何减少冗余，又会漏掉什么？
- 1
用单视图与多视图信号估计属性
图2结合DepthAnythingV2单视图先验、已知相机参数和多视图平面扫描代价体，再用UNet融合。这个设置依赖相机标定，不能直接当作任意两张未知视角图片的免标定重建。
- 2
用纹理变化决定四叉树分割
TAP根据区域内最大通道强度范围与阈值比较，最多形成16尺度块；复杂区域保留密集高斯，平坦区域用较大覆盖。纹理是几何复杂度代理，纯色但曲率变化的表面可能被低估。
- 3
从属性金字塔抽样并扩大覆盖
按正文3.3，先预测全分辨率属性，再平均池化成金字塔，由HPS按分块取样，并随块尺度放大高斯覆盖，减少缝隙。先以阈值0密集训练，再随机阈值微调，使同一检查点可调稀疏度。
实验与证据
已阅读正文与全部公开附录，核对实验条件与原图；未独立复现。
来源证据高斯数72.6k对131.1k，PSNR27.567对27.537，但LPIPS0.117差于0.112。 RealEstate10K：与SurfSplat比较 ↗
我的解读数量节省明显，画质变化依指标；很小PSNR差不能宣传成全面质量提升。
来源证据ACID PSNR27.992低于28.336；跨数据集均值20.208低于21.078。TokenGS约66k高斯、PSNR28.02，对本方法72.6k与27.57。 跨数据集与另一压缩方法 ↗
我的解读存在泛化下降及竞争方法优势，且训练设置不同，不能做无条件最优排名。
来源证据文中watertight指渲染覆盖连续，而非经过拓扑验收的封闭三角网格；跨视图冗余仍未专门处理。 资产交付范围 ↗
我的解读没有UV展开、PBR通道、去光照和重光照测试；渲染紧凑性不能替代可编辑资产能力。
开放情况与使用许可
已读取论文正文与全部公开附录；当前论文来源未给出可核实的实现或模型发布链接。论文CC BY-NC-SA 4.0有非商业条件，不能当作商业资产授权。
LICENSE论文 CC BY-NC-SA 4.0
我的判断
独立分析 · 未复现实验正方 · 为什么值得投入
把高斯密度按局部复杂度分配，提供单检查点压缩与画质之间可调的部署选择。
反方 · 哪些结论还不够
纹理代理会错判几何，跨域画质下降；输入相机已知，输出不等于完整可编辑资产。
综合判断
适合渲染场景压缩评估，若目标是游戏或工业资产仍须补齐网格与材质管线。
我会先做的验证
未执行的验证方案：固定相机与总显存，分别测试高纹理平面、纯色曲面和细薄结构，测高斯数、画质、孔洞及跨域结果；另做网格转换和重光照验收。