ReSplat 改进方向 Idea Discovery 报告

任务：基于 ReSplat 论文与官方代码库，寻找可在 3–6 个月内完成、面向 CVPR/ICCV 的 3D Gaussian Splatting 改进主题 参考论文：Haofei Xu et al., ReSplat: Learning Recurrent Gaussian Splatting, arXiv:2510.08575v3 代码基线：ReSplat 官方仓库，commit cc4594a 检索窗口：2025-07-15 至 2026-07-15，以 arXiv v1 日期为准 硬件约束：4×H200 + 4×A6000 实验状态：本轮未运行任何训练、推理或 pilot 评审属性：review_independence = same-family；acceptance_status = provisional

一、结论先行

推荐优先级如下：

1. 渲染器对齐的有符号参数块信用分配 最直接击中 ReSplat 的核心反馈缺陷，工程范围集中，首个可证伪版本约 4–6 周。必须超越 PRIMU 的 alpha-transmittance 误差投影和 GaussianPOP 的单 Gaussian 删除误差，把贡献收窄到“可执行的、带符号的、参数块特异的 recurrent update credit”。
2. Sim(3)-等变的 Recurrent Gaussian 更新场 机制最干净，ReSplat 自身 middle-view 比 COLMAP gauge 高约 0.9 dB，提供了直接动机。核心不是换成等变 backbone，而是使更新律满足 U(TG, TC) = T U(G, C)，并正确运输 covariance、rotation、scale 和 directional SH。
3. CrossFit 未参与更新视图的信赖门控 工程侵入最小，适合快速证伪。每一步由 proposal views 产生候选更新，由未参与该候选的 audit views 仅做 accept、damp 或 reject。范围应明确限制在 8 视图及以上，不宣称 2-view 通用。

不建议把动态 topology 放入前三。它的理论上限高，但 F4Splat、SparseSplat、SplatWeaver、L2D2-GS、GaussianPOP 和 DP-Splat 已形成拥挤赛道；同时 ReSplat 当前代码大量依赖固定的 source-view-indexed V×H×W primitive 布局，工程与查新风险同时偏高。

第一名随后经过 4 轮 paper-only method refinement，从抽象 responsibility credit 收敛为 standard render + analytic score replay 的 Renderer Score Tokens。same-family provisional reviewer 最终评分 9.12/10、Verdict = READY；该 READY 只表示方案足够具体可进入实验规划，不表示已有正向结果或跨模型录用判断。

二、ReSplat 中真正值得改的结构性空白

2.1 论文层面的证据

• DL3DV 8-view、512×960：ReSplat iter4 为 27.70 dB、246K Gaussians、0.816 s；DepthSplat 为 24.17 dB、3.93M Gaussians。
• 16×压缩相对 4×压缩损失约 1.59 dB，说明固定均匀 primitive 预算仍有明显可分配空间。
• 论文明确报告模型约在第 4 步饱和，并把更有信息量的反馈机制列为未来方向。
• middle-view gauge 为 29.07 dB，COLMAP gauge 为 28.14 dB，约 0.9 dB 差距说明循环更新器依赖任意世界坐标表达。
• 512×960 的单步 recurrent 时间约 0.126 s，其中 kNN 约 0.092 s，是主要瓶颈。

2.2 代码层面的证据

• 渲染器在 gsplat_decoder_splatting_cuda.py 中接收 rasterization 返回的 meta，但最终只返回 color、depth 和 accumulated alpha；逐 primitive 可见性与贡献信息没有进入 updater。
• encoder_resplat.py 先构造 RGB 与 ResNet feature residual，再在二维 token 间进行 global attention，随后按原潜网格顺序与 Gaussian state 拼接。Gaussian 已经移动后，反馈仍依赖原 source-grid identity，而不是当前 renderer responsibility。
• mean、scale、quaternion、opacity 和 SH 由同一个 head 输出，并在世界坐标中直接做加法更新。
• refinement 的核心 reshape 假设 Gaussian 数量可写成 source-view-indexed V×H×W；动态 birth、merge、prune 会同时影响 state、kNN、offset 和 covariance 路径。
• context_remain 与 final_state 等接口已经存在但没有形成完整的 cross-fit 或 sliding-window state 消费机制。

三、最近 12 个月研究格局与“不能再做”的简单版本

3.1 迭代、反馈与 learned optimization

• ReSplat, 2025-10-09：无 renderer backward 的 recurrent residual refinement。
• GIFSplat, 2026-02-26：生成先验指导的迭代前馈反馈。
• ReCoSplat, 2026-03-10：incoming observation 上的 render-and-compare 自回归重建。
• Diff3R, 2026-04-01：residual Jacobian、Gauss–Newton/PCG 与 uncertainty-aware differentiable optimization。
• Learn2Splat, 2026-05-15：延长 learned 3DGS optimizer 的稳定 horizon，但依赖显式梯度。
• ForeSplat, 2026-05-21：用短优化轨迹训练更适合后续优化的初始化。
• StereoSplat+, 2026-07-09：diffusion-assisted progressive render-enhance-feedback。

3.2 几何、误差和不确定性

• PRIMU, 2025-08-04：把训练误差与 coverage 以 alpha-transmittance 权重投影到 primitive，用于后处理 uncertainty 和 active view selection。
• G3Splat, 2025-12-19：用 viewing-ray 与 surface 几何先验抑制 appearance loss 下的几何退化。
• IDESplat, 2026-01-07：Gaussian 生成前迭代更新 depth probability。
• Predictive Photometric Uncertainty, 2026-03-24：冻结 3DGS 上的 residual uncertainty head。
• CanonicalGS, 2026-06-22：构造随观测增加而稳定的 canonical latent world。
• GADA, 2026-07-01：geometry-aware deformable aggregation 与 confidence weighting。
• Rendering-Aware Bayesian 3DGS, 2026-07-06：renderer-derived surrogate summaries、几何后验、不确定性与复杂度控制。
• MAC-Splat, 2026-07-12：稀疏视图下的多属性一致性。

3.3 Primitive 数量与效率

• GaussianPOP, 2026-02-06：从 alpha blending 解析单 Gaussian 删除造成的 counterfactual visual error，用于剪枝。
• Faster-GS, 2026-02-10：系统分析数值稳定、截断和 gradient approximation。
• F4Splat, 2026-03-22：前馈预测 densification 和可控 primitive 预算。
• SparseSplat, 2026-04-03：pixel-unaligned sparse Gaussian prediction。
• TokenGS, 2026-04-16：用 learnable tokens 解耦 Gaussian 与像素。
• SplatWeaver, 2026-05-08：区域自适应 cardinality experts 和预算正则。
• TurboGS, 2026-06-14：error-guided view/tile/pixel sampling 与密度控制。
• L2D2-GS, 2026-06-28：动态驾驶场景中的循环 learned densification。
• DP-Splat, 2026-07-12：Bayesian nonparametric complexity control。

3.4 查新后的禁区

• 只做 residual × alpha-transmittance scatter：会被 PRIMU 直接击中。
• 只计算单 Gaussian 删除误差：会被 GaussianPOP 直接击中。
• 只增加 learned densification：会被 F4Splat、SplatWeaver、SparseSplat 和 L2D2-GS 包围。
• 只把 ReSplat 展开到更多步：会撞 Learn2Splat 和 ReSplat 自身的 variable-iteration 接口。
• 只用生成式虚拟视图回灌：会撞 GIFSplat 与 StereoSplat+。
• 只做 parameter-wise uncertainty 或 step scaling：会撞 Diff3R。
• 只把投影局部邻域称为 visibility graph：ReSplat 的 local kNN 已经先投影到其他视图筛选候选。

四、十个候选的统一排序

评分为 1–5，Reviewer risk 越高越危险。排名同时考虑 3–6 个月落地性、查新边界清晰度和 CVPR/ICCV 叙事完整性，不由简单加权和机械决定。

GPU 预算采用“主训练放在 H200、A6000 承担评测/诊断/低分辨率消融”的调度。各节的 A6000 数字是该工作若大量迁移到 A6000 时的等价范围或可分流上限，不应与 H200 数字相加，也不建议把 paper-level 主训练全部放到 A6000。

五、候选 1：渲染器对齐的有符号参数块信用分配

Working title：Renderer-Aligned Credit for Gradient-Free Recurrent Gaussian Splatting

核心方法

1. 采用两阶段 renderer interface：先完成标准 render 并得到 RGB residual；再复用同一 tile binning 和 contributor order 执行解析 score-replay。replay 只维护 prefix color/transmittance，并由完整 rendered color 解析 suffix composite，不把完整 per-pixel contributor tensor搬回 PyTorch。

2. 不再只生成每个 Gaussian 一个无方向的 error magnitude，而是在固定 contributor order 的局部线性化下 fused 构造三类 support-normalized renderer score：

   • SH：残差与 SH basis、alpha-transmittance 的有符号 local VJP；
   • opacity-logit：残差与当前 primitive 相对 suffix composite 的对比，并使用正确的 alpha 对 opacity logit 导数；
   • mean：Gaussian footprint 的二维均值 local VJP，经多视图 projection Jacobian 的转置 pullback 到 3D；只输出 pullback 与 conditioning，不执行手写 Gauss–Newton step。
3. score-replay kernel 按当前 primitive ID 直接聚合 fixed-dimensional token，再送入原 ReSplat Point Transformer。mean 明确只是 projected-center partial score，对 projected covariance、view direction、depth order 等路径 stop-gradient。首篇不为 scale/rotation 构造半定义 score；它们可由 state/neighborhood 间接更新，但不进入核心 claim。
4. 主方法默认删除原 source-index ResNet residual，以保证归因清晰；coded probes 和 gradient teacher 只作为诊断，不进入默认训练或推理。

可证伪假设

在相同 updater 参数量和训练预算下，相对原始 index-bound residual feedback：

• 逐 Gaussian、逐参数块与 autograd gradient oracle 的平均 cosine 至少提高 0.15，作为机制诊断而非最终正确性定义；
• overlap/occlusion 区域中 loss-increasing update 比例至少下降 25%；
• DL3DV 8-view 四步 PSNR 至少提高 0.25 dB，且端到端 recurrent 延迟增加不超过 20%。

若 cosine 提升不足 0.15 或 PSNR 提升不足 0.25 dB，则主假设失败。

最近邻与精确创新差异

• PRIMU：已有 residual × alpha-transmittance 的 primitive error/coverage 投影，但用途是 post-hoc uncertainty。
• GaussianPOP：已有单 Gaussian 删除造成的解析 counterfactual visual error，但用途是 pruning。
• Diff3R：用完整 residual Jacobian、Gauss–Newton 和 PCG 做显式优化。
• Rendering-Aware Bayesian 3DGS：用 renderer-derived summaries 更新几何后验。

精确差异：本 topic 的贡献不是“谁参与了像素”，而是用 post-render analytic score replay 把 mean projected-center partial score、opacity 与 SH local VJP 聚合成 support-normalized、fixed-dimensional primitive tokens，并作为 amortized recurrent updater interface。它不宣称比完整 gradient 信息更多；必须证明在匹配延迟/显存下达到更好的质量—成本 Pareto。

最小验证实验

• 冻结 ReSplat-Small 初始化器，只训练新的 credit encoder 与同容量 updater。
• DL3DV 8-view、256×448、约 10% 训练子集、单 seed、20k updater steps；30 个场景做诊断。
• 先验证 credit-gradient cosine、top-k overlap、遮挡边界更新方向，再看四步 NVS。
• Pilot：SKIPPED：用户要求不运行实验。

Baselines

• 原始 ReSplat global error attention，以及 RGB-only ReSplat。
• PRIMU-style alpha-transmittance scatter。
• GaussianPOP-style removal score 作为额外 feature。
• 仅 visibility support、无符号 residual。
• raw、detached、support-normalized 和 parameter-scale-normalized autograd gradient feature。
• 等宽随机/learned projection，排除参数量收益。

必须消融

• 去掉 sign。
• 去掉 parameter type。
• 去掉 visibility normalization。
• 只保留 alpha-transmittance，不保留 mean pullback。
• 去掉 foreground/suffix occlusion contrast。
• top-2、top-4、top-8 contributors。
• coded probes 作为诊断是否真的增加信息。

GPU 与周期估算

• MVP：4–6 周；约 70–160 H200-GPUh，另用 240–620 A6000-GPUh 做评测和诊断。
• Paper-level，3 seeds + 核心消融 + 512×960 确认：约 1,600–3,600 H200-GPUh；A6000 等价评测/低分辨率消融约 5,600–13,000 GPUh。
• 以上为规划估算；若需要精确 per-pixel CUDA responsibility，工程可能额外增加 3–5 周。

失败条件

• typed score 与 held-out one-step utility 无关。
• normalized gradient 在 matched wall time/VRAM 下持续支配 proposed token。
• 改善只出现在训练 context residual，不改善 target view 或几何。
• rasterizer metadata 的显存/延迟超过质量收益。
• 低 overlap 场景几乎无收益，方法过度依赖遮挡特例。

审稿人最可能的拒稿理由

“这只是把 PRIMU/GaussianPOP 的 attribution 接到 ReSplat 上；作者没有证明 parameter-specific signed credit 比标准 alpha responsibility 或直接 gradient 更有价值。”

代码入口

• resplat/src/model/decoder/gsplat_decoder_splatting_cuda.py
• resplat/src/model/encoder/encoder_resplat.py 的 render-error 构造与 update_head
• gsplat packed rasterization 的 contributor/meta 输出

六、候选 2：Sim(3)-等变的 Recurrent Gaussian 更新场

Working title：Gauge-Equivariant Recurrent Gaussian Splatting

核心方法

1. 保留现有 Point Transformer 的标量 attention 结构，但把几何消息改写为相对距离、点积、夹角等 invariant scalars，以及邻居位移、viewing ray、cross-product 等 equivariant bases。
2. 现有网络只预测这些 basis 的标量系数；mean delta 由 equivariant vector basis 线性组合，covariance delta 由对称二阶 tensor basis 组合，不直接在世界坐标预测任意三维向量。
3. scale 在无量纲局部尺度中更新，rotation 在 tangent space 组合；directional SH 使用对应旋转表示运输。
4. 训练时对同一相机与 Gaussian 集施加随机全局 rotation、translation 和 scale，约束更新前后满足 U(TG, TC) = T U(G, C)。推理不选择 first、middle 或 COLMAP camera 作为特殊 gauge。

可证伪假设

• 同一场景在至少 10 个等价 Sim(3) gauge 下，最终 PSNR 标准差低于 0.05 dB；
• 逆变换后的 mean/covariance 匹配误差相对原 ReSplat 降低至少 30%；
• 在跨数据集尺度、不同参考相机或长基线 OOD 设置中，相对“随机 Sim(3) augmentation”仍提升至少 0.20 dB。

若只改善人工 gauge consistency 而真实 NVS/几何没有至少 0.20 dB 或显著几何收益，则否定投稿价值。

最近邻与精确创新差异

• CanonicalGS：学习稳定 canonical world，但不要求 recurrent update field 对任意群作用严格交换。
• ReCoSplat：在局部 camera space 预测再组装到世界坐标。
• G3Splat：约束 Gaussian 几何退化。
• MAC-Splat：约束多属性一致性。

精确差异：不是选择更好的 canonical frame，也不是简单数据增强，而是定义并实现 Gaussian recurrent update 的 Sim(3) 变换律，覆盖 mean、covariance、scale、rotation 和 directional SH。

最小验证实验

• 冻结初始化器，仅替换 recurrent geometry input/output law。
• ReSplat-Small、DL3DV 8-view；对每个测试场景施加 10 个随机 rotation、translation、scale。
• 先测严格 equivariance，再测不同 reference camera、长基线和跨数据集尺度。
• Pilot：SKIPPED：用户要求不运行实验。

Baselines

• 原始 middle-view ReSplat。
• COLMAP gauge ReSplat。
• 仅 random Sim(3) augmentation。
• scene centering / PCA canonicalization。
• local-camera-frame update。
• SE(3)-only 与完整 Sim(3)。

必须消融

• 只对 mean 等变。
• mean + covariance。
• 加入 scale transport。
• 加入 SH rotation。
• invariant scalar MLP 直接输出三维 delta，与 basis-coefficient 输出比较。
• middle-view canonicalization 与 exact equivariance 的组合/替代。

GPU 与周期估算

• MVP：4–7 周；约 50–110 H200-GPUh，170–420 A6000-GPUh。
• Paper-level：约 1,100–2,400 H200-GPUh，3,800–8,500 A6000-GPUh。

失败条件

• 0.9 dB 差异主要来自 near/far、scale clamp 或数值归一化，而非 gauge dependence。
• 局部 frame 在平面、对称或退化邻域中不唯一。
• exact equivariance 带来明显延迟，但 augmentation 已达到相同效果。
• 标准/OOD benchmark 没有实际质量收益。

审稿人最可能的拒稿理由

“精确等变架构只让合成 gauge 测试更漂亮；简单 canonicalization 或 augmentation 已足够，真实重建没有实质收益。”

代码入口

• resplat/src/model/encoder/point_transformer/
• resplat/src/model/encoder/encoder_resplat.py 的 point_cloud、delta_means、delta_scales、delta_rotations
• resplat/src/misc/sh_rotation.py
• dataset pose、near/far 与 scale normalization

七、候选 3：CrossFit 未参与更新视图的信赖门控

Working title：Cross-Fitted Trust-Gated Recurrent Gaussian Splatting

核心方法

1. 每个 recurrent step 把已有 context views 划分为 proposal fold 与 audit fold。
2. 候选 Gaussian delta 只能读取 proposal views 的图像、feature 和 residual；audit views 在候选产生前完全不可见。
3. 对当前状态和候选状态在低分辨率 audit views 上重渲染，根据 audit loss 的实际变化执行 accept、damp 或 reject。
4. 下一步轮换 folds，使所有 view 最终都参与更新，但同一步内严格保持 proposal/audit 分离。首版只做全局或 geometry/appearance 两块步长，不同时加入 contraction、local halting 和多个新 heads。

可证伪假设

• audit loss delta 与真正 target-view loss delta 的 Spearman 相关至少 0.4；
• 识别 harmful update 的 AUC 至少 0.70；
• 8/16-view 中至少 90% 已接受步骤不增加 audit loss；
• 在相同最大 iteration 或相同 render budget 下，target-view PSNR 至少提高 0.30 dB，或 8–12 步不再出现明显退化。

若 audit delta 不能预测 target delta，则该 topic 应直接终止。

最近邻与精确创新差异

• ReCoSplat：incoming observed view 被作为 render-and-compare 条件参与新预测。
• Diff3R：训练期 inner context / outer novel-view bilevel objective，但测试时没有逐步 cross-fit gate。
• PRIMU：holdout 用于 uncertainty calibration。
• ReSplat：同一步使用所有输入 residual 产生更新。

精确差异：audit view 不进入候选更新网络，只作为该候选的独立接受证据；全部视图都是已给 context，不新增采集、不生成伪视图、不使用 renderer gradient。

最小验证实验

• DL3DV 8-view 用 4/4 folds，16-view 用 8/8；4-view 可做 3/1 辅助，2-view 明确标记不适用。
• 只修改 recurrent stage，初始化器完全相同。
• 先测 audit-target delta 相关和 harmful-update AUC，再决定是否训练门控。
• Pilot：SKIPPED：用户要求不运行实验。

Baselines

• 固定 1/2/4/8/12 步 ReSplat。
• 用 proposal/self loss 做普通 early stopping。
• 不 cross-fit、所有视图同时更新和验证。
• 随机 accept/reject 或固定 damping。
• 在同等额外 render 数下直接多跑 ReSplat。

必须消融

• hard accept/reject 与连续 damping。
• 固定 fold 与每步重采样。
• 全局 gate 与 geometry/appearance block gate。
• audit 分辨率。
• 4/8/16/32 views。
• 是否允许 audit feature 进入 updater；该项应证明严格隔离的重要性。

GPU 与周期估算

• MVP：2–3 周；约 35–75 H200-GPUh，120–280 A6000-GPUh。
• Paper-level：约 850–1,700 H200-GPUh，2,900–6,000 A6000-GPUh。

失败条件

• audit view 与真正 novel-view 分布不一致。
• 视图过少时 proposal 信息不足。
• 低分辨率 audit 错误拒绝恢复高频细节的正确步骤。
• 额外 audit render 使 quality-per-wall-clock 不优于多跑一次 ReSplat。

审稿人最可能的拒稿理由

“这只是用额外输入视图和额外渲染做简单 line search；audit 改善不等价于 novel-view 泛化。”

代码入口

• resplat/src/model/encoder/encoder_resplat.py 的 forward_update
• resplat/src/model/model_wrapper.py 的 context_remain 路径
• decoder 的低分辨率 audit render

八、候选 4：带单调保护的 Contractive Anytime Solver

核心方法

1. updater 同时预测 Gaussian delta、局部 damping 和停止概率。
2. 训练从随机 1–12 步 rollout，加入 multi-step residual decrease 与 transition contraction 约束。
3. 推理用低分辨率 context render 检查实际下降；不下降时 damp/reject，边际收益低时 halt。

可证伪假设

8–12 步相对原始第 4 步再提升至少 0.25 dB，且 target PSNR 退化超过 0.10 dB 的场景比例低于 5%。否则“稳定扩展 test-time compute”的核心假设失败。

最近邻与精确创新差异

• ReSplat 已支持不同步数，但四步后饱和。
• Learn2Splat 已以长 horizon learned optimizer 为主 claim，但消费显式 gradient。
• Diff3R 使用显式 differentiable optimization。
• DP-Splat 对完全不同的 Bayesian objective 给出单调 CAVI。

精确差异：gradient-free renderer-feedback transition 的可观测下降证书、damping/rejection 和 scene-adaptive halting；不能只写“训练更多步”。

最小验证实验

• 原始 1–4 步训练、直接扩展 1–12 步、trust-only、contraction-only、完整 solver。
• 报告 1/2/4/8/12 步 PSNR/LPIPS、单调率、退化场景比例和额外 render 成本。
• Pilot：SKIPPED：用户要求不运行实验。

Baselines

• ReSplat 原始 variable iterations。
• Learn2Splat/G3R 风格 gradient-consuming optimizer。
• 仅 stop head。
• 仅 step norm clipping。
• 仅 inference-time rejection。

必须消融

• contraction penalty。
• low-resolution trust check。
• learned damping。
• learned halt。
• context energy 与 target generalization 的相关性。

GPU 与周期估算

• MVP：3–5 周；约 60–140 H200-GPUh，210–540 A6000-GPUh。
• Paper-level：约 1,300–3,000 H200-GPUh，4,500–10,500 A6000-GPUh。

失败条件

• context residual 单调但 novel view 变差。
• contraction 过强导致过平滑。
• extra render 抵消 longer horizon 的收益。
• 长展开训练不稳定或显存不可控。

审稿人最可能的拒稿理由

“Learn2Splat 已占据长 horizon 叙事；本文只是 gradient-free 版本并增加一个 early-stop/trust head。”

九、候选 5：冲突感知的多视图 Gaussian Credit

核心方法

1. 对每个 Gaussian 保留逐视图 signed residual、visibility support、入射方向、depth order 和遮挡状态，不先做全局混合。
2. 将多视图证据分解为 consensus、view-specific 和 conflict 三部分。
3. geometry 只接收具有足够跨视图支持的 consensus；SH/opacity 接收 view-specific 分量；conflict 控制 step size。

可证伪假设

在 pose noise、局部遮挡和镜面 stress split 上，PSNR 至少提高 0.30 dB、clean split 下降不超过 0.10 dB，并使跨视图相反方向的 geometry update 至少减少 30%。

最近邻与精确创新差异

• PRIMU：primitive coverage/error uncertainty。
• CanonicalGS：uncertainty-aware evidence fusion。
• GADA：图像空间 geometry correction 与 confidence weighting。
• ReCoSplat：frame-level render-and-compare。

精确差异：冲突保留在 per-Gaussian、per-view、per-parameter 的 recurrent credit 中；不是先验融合或一个标量 uncertainty gate。

最小验证实验

• DL3DV validation 构造 0–2° pose perturbation、随机遮挡和高镜面区域。
• 先验证 consensus/conflict 是否能预测 geometry update disagreement。
• Pilot：SKIPPED：用户要求不运行实验。

Baselines

• 原 ReSplat global attention。
• mean/median pooling。
• 标量 uncertainty weighting。
• leave-one-view robust estimator。
• geometry/appearance 双头但无 conflict decomposition。

必须消融

• consensus、view-specific、conflict 三项逐一删除。
• hard outlier rejection 与 soft robust aggregation。
• 是否限制 geometry route。
• view baseline 与最小支持视图数。

GPU 与周期估算

• MVP：4–6 周；约 60–150 H200-GPUh，220–580 A6000-GPUh。
• Paper-level：约 1,200–2,800 H200-GPUh，4,200–9,800 A6000-GPUh。

失败条件

• wide-baseline 的高价值视图被误判为 outlier。
• 收益只存在于人为 corruption。
• conflict estimator 退化为普通 robust weighting。

审稿人最可能的拒稿理由

“本质是 robust pooling/confidence weighting，缺少 3DGS 特异的机制创新。”

十、候选 6：跨视图证据许可、矩守恒的固定预算 Topology

核心方法

1. 在硬 Gaussian budget 下选择 split、merge、prune 或 keep。
2. topology action 必须由多视图、跨 iteration 的 residual-ray 证据许可；单视图高误差不能直接 birth。
3. split/merge 初始化严格保持 opacity mass、一阶均值和二阶空间矩，减少 topology change 的瞬时渲染跳变。
4. 定义 recurrent hidden state 的继承、加权合并与 lineage；预分配 slots + mask 作为 MVP，避免立即重写全部动态 CUDA。

可证伪假设

在相同平均 Gaussian 数下 PSNR 至少提高 0.25 dB，或 Gaussian 数减少至少 30% 时 PSNR 损失不超过 0.10 dB；新显露区域 PSNR 至少提高 0.5 dB、ghost primitive 至少下降 20%。

最近邻与精确创新差异

• F4Splat、SparseSplat、SplatWeaver：一次性前馈 allocation/cardinality。
• L2D2-GS：循环 learned densification，但面向动态驾驶且以 add 为主。
• GaussianPOP：renderer-error pruning。
• DP-Splat：Bayesian complexity control。

精确差异：静态 ReSplat 内同时支持预算守恒的 split、merge、prune，并显式保存几何矩和 recurrent state；多视图 evidence 是 topology action 的许可规则，而不是局部复杂度分数。

最小验证实验

• ReSplat-Small 57K 设置，只允许两轮 topology action。
• 先做 topology oracle：用真实后续 target 选择 action，判断固定 topology 是否确实限制性能。
• 若 oracle 不能在 matched budget 下带来约 0.5 dB 或显著几何收益，停止工程化。
• Pilot：SKIPPED：用户要求不运行实验。

Baselines

• 固定 topology ReSplat。
• opacity prune。
• split-only。
• F4Splat/SplatWeaver 风格一次性 allocation。
• L2D2-GS 风格 densify-only。
• 无矩守恒的随机 child 初始化。

必须消融

• split、merge、prune。
• moment conservation。
• state transfer。
• evidence gate。
• hard budget。
• slots + mask 与真正 packed dynamic representation。

GPU 与周期估算

• MVP：7–11 周；约 110–260 H200-GPUh，400–1,000 A6000-GPUh。
• Paper-level：约 2,400–5,500 H200-GPUh，8,500–20,000 A6000-GPUh。

失败条件

• residual 无法区分缺失几何、阴影、动态物体与 pose error。
• discrete identity/state transfer 不稳定。
• fixed V×H×W 假设导致工程范围失控。
• oracle 本身不能证明 topology 是瓶颈。

审稿人最可能的拒稿理由

“这是 split、merge、prune、visibility 和 state transfer 的模块拼接；L2D2-GS/F4Splat 已覆盖主方向，新增复杂度没有带来清晰机制。”

十一、候选 7：Geometry–Appearance 因果残差路由

核心方法

1. 在现有冻结 ResNet feature 上做 Gaussian footprint 内的局部极线相关，不引入新的 optical-flow backbone。
2. 将跨视图一致的 screen displacement 三角化为 mean/shape correction suggestion。
3. 对齐后的剩余 residual 定义为 appearance component。
4. geometry route 只更新 mean/scale/rotation；appearance route 只更新 opacity/SH，并测量 leakage。

可证伪假设

深度 AbsRel、normal 或 reprojection error 至少改善 8%，clean target PSNR 下降不超过 0.10 dB；在曝光/白平衡扰动下 geometry update 的敏感度至少下降 30%。

最近邻与精确创新差异

• G3Splat：静态 geometry priors。
• IDESplat：Gaussian 生成前的 depth probability refinement。
• Diff3R：parameter-specific uncertainty/regularization。
• GADA：deformable warp correction 与 confidence fusion。

精确差异：每次 render 后从 residual motion 提取可执行三维 geometry correction，再把对齐余项路由给 appearance；不是静态 loss、双 branch backbone 或 per-parameter step scaling。

最小验证实验

• 冻结初始化器；DL3DV 8-view。
• 使用已有 feature，不引入额外 flow/depth 网络。
• 评估 NVS、depth、normal、reprojection 和参数 leakage。
• Pilot：SKIPPED：用户要求不运行实验。

Baselines

• 原 ReSplat。
• 只拆双 heads。
• G3Splat-style geometry loss。
• epipolar displacement 但无 parameter routing。
• routing labels 随机交换。

必须消融

• RGB 与 feature correlation。
• triangulation confidence。
• hard 与 soft route。
• geometry/appearance leakage penalty。
• exposure/specular/textureless stress split。

GPU 与周期估算

• MVP：5–8 周；约 80–180 H200-GPUh，280–700 A6000-GPUh。
• Paper-level：约 1,700–3,800 H200-GPUh，6,000–13,500 A6000-GPUh。

失败条件

• sparse view 下 geometry/appearance 不可辨识。
• mirror、重复纹理、遮挡使 local matching 系统性错误。
• 为救性能不得不引入 flow/depth backbone，论文退化为 module collage。

审稿人最可能的拒稿理由

“残差原因不可识别；所谓因果路由其实是额外局部匹配模块，收益来自更多几何先验而非新原则。”

十二、候选 8：贯穿循环的 Multi-Modal Ray-Depth Belief

核心方法

1. 不把初始化 depth probability 立即压成单个期望；每个低分辨率 ray 保留 K=2–3 个 depth modes、logits 和共享 appearance/state group。
2. 各 mode 以 group-normalized opacity 参与低分辨率或稀疏 render，recurrent feedback 更新 mode logits 与 depth offsets。
3. 只有当跨视图 support 和 posterior entropy 达到阈值时才合并模式；未决歧义在循环中保留。

可证伪假设

低纹理、重复纹理和遮挡区域的 depth tail error 至少下降 15%，2/4-view target PSNR 至少提高 0.30 dB，最终 active Gaussian 数不超过 matched-budget baseline 的 1.2×。

最近邻与精确创新差异

• IDESplat：Gaussian 生成前迭代更新 depth probability/candidates。
• ReSplat：用单一 depth prediction 生成固定 Gaussian。
• Rendering-Aware Bayesian 3DGS：几何 posterior 主要是 unimodal mean/covariance。
• Diff3R：parameter uncertainty 约束显式 optimization。

精确差异：depth modes 在 Gaussian 生成之后仍作为显式 belief state 存活，并由 renderer feedback 在多轮中消歧；不是更换 depth backbone 或只在初始化前多迭代几次。

最小验证实验

• 只在 ReSplat 16×初始化的每个 ray 保留 K=2。
• 2-view 与 4-view 的低纹理/repeated-texture 子集。
• 对比模式在 init 后立即 collapse、step 2 collapse 和完整 persistent belief。
• Pilot：SKIPPED：用户要求不运行实验。

Baselines

• 单 depth expectation ReSplat。
• top-1 mode。
• IDESplat-style pre-generation probability refinement。
• K modes 但 logits 不更新。
• unimodal variance/covariance uncertainty。

必须消融

• K=2/3/4。
• group-normalized opacity。
• entropy regularization。
• collapse timing。
• RGB、feature、depth feedback 对 mode logits 的作用。

GPU 与周期估算

• MVP：5–8 周；约 80–200 H200-GPUh，300–800 A6000-GPUh。
• Paper-level：约 1,800–4,200 H200-GPUh，6,500–15,000 A6000-GPUh。

失败条件

• posterior collapse。
• 多模式造成透明 ghost surfaces。
• K 倍 render/memory 成本。
• 被审稿人视为 depth head 变体，不能证明“跨 recurrent steps 保留歧义”是必要的。

审稿人最可能的拒稿理由

“IDESplat 已经做 depth probability refinement；本文只是把多候选保留得更久，代价高且贡献像初始化细节。”

十三、候选 9：Correctability-Aware 局部停止与计算分配

核心方法

1. 从训练 rollout 中记录每个 tile/Gaussian neighborhood 再执行一步的真实 counterfactual gain。
2. 训练 gain-per-cost certificate，输入 residual history、coverage、state change 和估计 kNN/render 成本。
3. 只更新预期收益成本比高的 active neighborhoods，并在剩余总收益低时全局停止。
4. 功能 MVP 与真实加速分开验收；paper claim 必须落到 packed kNN/增量 renderer 后的 wall-clock。

可证伪假设

在 PSNR 变化不超过 0.05 dB 时，recurrent wall time 至少降低 35%，且预测 gain 与真实 one-step gain 的 Spearman 相关超过 0.5。

最近邻与精确创新差异

• ReSplat：每轮更新全部 Gaussians。
• PRIMU/PPU：预测当前 error/uncertainty。
• TurboGS：optimization 期间按 error map 选择 view/tile/pixels。
• Rendering-Aware Bayesian 3DGS：选择新增观测视角。

精确差异：选择目标是“ReSplat 下一步可带来的边际 residual reduction / GPU cost”，不是当前 error 最大、uncertainty 最大或新增视角价值。

最小验证实验

• 第一阶段只稀疏 updater，不声称 renderer 加速。
• 25%、50%、75% active ratios；测真实 gain ranking。
• 第二阶段只有在 quality-compute Pareto 正向后才做 packed kernels。
• Pilot：SKIPPED：用户要求不运行实验。

Baselines

• 全量 ReSplat。
• random active set。
• residual magnitude top-k。
• opacity/coverage top-k。
• PRIMU-style uncertainty top-k。
• TurboGS-style current-error heuristic。

必须消融

• gain 与 current error。
• cost model。
• exploration quota。
• local 与 global halting。
• PyTorch mask 与 packed implementation。

GPU 与周期估算

• 功能 MVP：4–7 周；真实加速版本约 7–10 周。
• MVP：约 45–110 H200-GPUh，160–430 A6000-GPUh。
• Paper-level：约 1,100–2,600 H200-GPUh，3,800–9,500 A6000-GPUh。

失败条件

• mask 后 GPU kernel 仍全量执行。
• 不规则稀疏访问降低 GPU utilization。
• 独立 gain 估计在遮挡/邻域相互作用下失效。

审稿人最可能的拒稿理由

“只有 FLOP 或 active-count 节省，没有真实 wall-clock；本质是把 TurboGS 的 error-guided sampling 搬到 ReSplat。”

十四、候选 10：Secant-Memory 局部响应预条件器

核心方法

1. 保存最近 K=2–4 步的低维 residual sketch 变化和 Gaussian parameter displacement。
2. 在局部 neighborhood 中形成 secant pairs，并学习受约束的低秩 Broyden/Anderson response map。
3. 将 response proposal 与基础 neural updater 混合；curvature test 失败或 residual 上升时重置 memory。
4. 避免宣称经典 quasi-Newton 收敛性，论文表述收窄为 fixed-topology local response preconditioning。

可证伪假设

两步模型达到原 ReSplat 四步质量的 ±0.05 dB，或八步相对原四步提高至少 0.15 dB；两者均不满足则否定。

最近邻与精确创新差异

• Learn2Splat/G3R：带状态的 learned gradient optimizer。
• Diff3R：完整 residual Jacobian、Gauss–Newton 和 matrix-free PCG。
• ForeSplat：利用短优化轨迹训练 initialization。
• ReSplat：hidden state 没有显式 secant relation。

精确差异：推理时显式维护 residual-response pairs 并构建低秩 inverse response，不调用 backward、JVP 或 VJP；仅有 GRU hidden state 不足以支撑 claim。

最小验证实验

• 固定 topology ReSplat-Small，K=2/4。
• 先比较 local secant prediction error 与 momentum/GRU history；只有显著更低才继续完整训练。
• Pilot：SKIPPED：用户要求不运行实验。

Baselines

• 原 recurrent hidden state。
• momentum/exponential moving average。
• Anderson mixing。
• low-rank Broyden 无 safeguard。
• explicit gradient feature。

必须消融

• sketch 维度。
• K。
• neighborhood 固定或每步更新。
• curvature safeguard。
• reset rule。
• neural proposal 与 secant proposal 的混合。

GPU 与周期估算

• MVP：2–4 周；约 40–90 H200-GPUh，140–340 A6000-GPUh。
• Paper-level：约 900–1,900 H200-GPUh，3,100–6,800 A6000-GPUh。

失败条件

• visibility、alpha order 和 neighborhood 每步变化，secant relation 非平稳。
• low-rank inverse map 病态。
• 普通 momentum/GRU 已达到相同效果。

审稿人最可能的拒稿理由

“残差不是梯度，经典 secant 假设不成立；作者借用了 quasi-Newton 名称，但没有理论或稳定经验优势。”

十五、为什么最终推荐这三项

建议的实际决策顺序：

1. 先做 paper-only 设计与 instrumentation：同时准备 candidate 1 的 credit oracle、candidate 2 的 gauge counterfactual test、candidate 3 的 audit-target correlation 分析。
2. 真正开始实验后，最先运行 candidate 3 的相关性诊断，因为成本最低、几天内即可否证。
3. candidate 1 若只能复现 PRIMU-style alpha scatter 而无法形成 blockwise signed credit，应立即停止。
4. candidate 2 若 random gauge augmentation 已消除大多数差异，精确等变架构不值得继续。
5. topology 只有在 matched-budget oracle 显示约 0.5 dB 或明显几何上界时才立项。

十六、合并和淘汰记录

• Coded counterfactual probes → 合并进 candidate 1，作为 credit 符号诊断或消融，不单独成文。
• Blockwise trust region → 合并进 candidate 4 或 candidate 3 的最小 accept/damp/reject 机制。
• Evidence-qualified topology → 合并进 candidate 6，作为 action license。
• Manifold-consistent update → 合并进 candidate 2/4 的正确参数化消融。
• Angular residual factorization → 合并进 candidate 5/7。
• Photometric nuisance marginalization → 只作为 robustness stress test；单独贡献过窄。
• Virtual probe-view consensus → 淘汰。错误 geometry 可同时使 warp 与 render 自洽，而且 GIFSplat、StereoSplat+、GADA、CoR-GS 并发压力大。
• Multigrid Gaussian solver → 淘汰。层次图、co-visibility 与 multigrid 同时引入，3–6 个月内容易变成 overbuilt graph-module collage。

十七、评审结论与证据等级

• 候选池由多视角生成后机械去重，再由同一 OpenAI family 的 reviewer thread 做统一 jury 和批判复核。
• 由于宿主并发线程限制，本轮不是跨模型、跨 family 的独立 accepted review。
• review_independence：same-family。
• acceptance_status：provisional。
• 所有新近论文由 arXiv 元数据、OpenAlex 或项目页核验；Semantic Scholar 在检索时出现 429，批量 verify_papers.py 超时，因此没有把它作为唯一证据源。
• 查新截止 2026-07-15。提交前应在立项第 2、6、10 周各做一次增量查新。

十八、本轮明确未做的事情

• 未运行 ReSplat 训练、推理或 benchmark。
• 未运行任何 pilot、toy experiment、GPU profiling 或 CUDA prototype。
• 未把计划阈值写成已观察结果。
• 未修改 ReSplat 官方代码基线。

所有十个 topic 的 Pilot 状态均为：SKIPPED：用户要求不运行实验。

十九、关联产物

• ReSplat 论文完整解析
• 第一推荐方向的精炼方案
• 第一推荐方向的实验路线图
• ReSplat arXiv 页面
• ReSplat 官方代码