RLSplat：先给场景分配 Gaussian 预算，再重建
显存预算固定时，应该把有限的 Gaussian 放在哪里？
RLSplat 从稀疏未标定图像前馈重建Gaussian场景，把总Gaussian数量作为显式预算，由策略分配给几何锚点，再用局部解码细化。它能改善小预算新视角质量，但优化对象仍是渲染表示，不是原生网格、UV或可重光照PBR资产。
图解主要方法
显存预算固定时，应该把有限的 Gaussian 放在哪里？
- 1
第一步：从图像获得几何锚点与预算条件
图2左侧通过DVLT几何骨干估计相机和锚点特征。分配策略读取锚点，并以log2(B/N)预算条件经FiLM调制，B为总Gaussian数、N为锚点数。预算不是事后裁剪阈值，而在生成前参与决定资源位置。
- 2
第二步：训练离散分配策略
训练时对锚点的分配概率做多项采样，GSPO每组5个候选，以负MSE和0.05权重的LPIPS奖励比较渲染效果。先40k步基础训练，再5k步策略优化，并更频繁采样低预算。奖励鼓励视觉质量，不直接奖励网格拓扑或真实表面覆盖。
- 3
第三步：在推理中保证总数恰好等于预算
推理不用随机采样，而通过固定相位0.5的系统舍入分配整数Gaussian，使总量严格等于B。每个锚点内部的槽位加入积分位置编码，让多个Gaussian并非相同复制；从锚点派生初始位置后再细化颜色、形状等参数。
- 4
第四步：用局部邻域限制解码成本
图2右侧只在近邻锚点与Gaussian间做两层交叉注意力，典型邻域各16个，并以固定初始位置选择邻居。局部解码随预算更可控，但图像编码和几何骨干有固定开销，所以不能把整个端到端系统说成严格线性缩放。
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ACID249场景，256×256、A6000、batch1。8视图8K Gaussian时PSNR24.82，F4为23.61；24视图24K时25.58，与SPF使用1536K Gaussian的25.00比较。 表1–2，RE10K训练→ACID零样本 ↗
我的解读预算控制有效，但大幅点数差的比较仍需同步看输入视图、模型与几何设置。PSNR反映图像重建，不证明表面精确或资产结构完整。
来源证据分配消融中策略24.83、边缘启发式24.76，相差0.07dB。表5分层近邻搜索220.8→8.1毫秒、总耗时539.2→328.3毫秒，正文另写219.6及595→388。 策略与近邻消融 ↗
我的解读策略相对强启发式的边际收益比相对弱基线小。时间存在版本内不一致，本刊引用表5并保留分歧；不能任选更好数字。
来源证据论文计时不含数据加载、相机对齐和渲染；当前发布检查点是推理用safetensors，模型卡说明不含优化器与训练专用状态。 计时边界与发布模型卡 ↗
我的解读解码节省不是完整资产制作时间。场景以Gaussian/球谐外观表示，未输出UV、贴图接缝处理、去光照或PBR通道，重光照与引擎编辑需要后续流程。
开放情况与使用许可
2026-10-25核实官方GitHub有评估与推理实现，MIT许可；Knowing/RLSplat存在真实model.safetensors。README明确训练代码待后续发布，模型卡没有明确权重许可证，不能由代码MIT推断权重可自由商用。论文为arXiv非独占托管、作者保留版权，仅引用必要图2讲解。
LICENSE作者版权；arXiv非独占托管许可
我的判断
独立分析 · 未复现实验正方 · 为什么值得投入
我的判断：将预算前移到分配策略，让有限Gaussian优先服务困难区域，比统一密度后再压缩更契合显存受限的新视角系统。
反方 · 哪些结论还不够
图像质量奖励可能用外观补偿错误几何，策略对强边缘启发式的增益有限；相机估计、固定编码开销和未计入的渲染环节也会影响真实体验。
综合判断
适合预算可控的Gaussian重建与浏览，不应作为完整可编辑游戏资产生成器评价。对实际项目，要把几何与贴图管线另行验收。
我会先做的验证
未执行的验证方案：在固定相机和同一8K/24K/64K预算下比较均匀、边缘与RL分配；报告PSNR/LPIPS之外的几何误差、薄结构覆盖、完整加载到首帧时延和显存，并检查转换网格后的纹理破洞与接缝。