知识卡片：WildSplat：面向无位姿野外图像的3D高斯泼溅前馈重建框架

• 英文标题: WildSplat: Feedforward Gaussian Splatting from Unposed In-the-Wild Images
• 英文关键词: WildSplat, Feedforward Gaussian Splatting, Unposed In-the-Wild Images, Novel View Synthesis, Appearance Editing

一句话结论

WildSplat 是首个能够从无位姿、光照多变的野外图像中，通过单次前馈推理实现外观条件化新视角合成和外观编辑的3D高斯泼溅框架，性能优于现有优化基与前馈方法。

事件概述或研究问题

现有前馈3D重建方法在光照一致场景下高效，但在野外光照变化场景下表现不佳。WildSplat 旨在解决从不一致光照、无相机位姿的稀疏野外图像中进行新视角合成和外观编辑的问题。

方法/产品要点

• 双分支架构：显式解耦几何与外观。
  • 几何分支：提取外观不变的3D结构，并联合预测相机位姿。
  • 外观分支：通过全局预调制交叉注意力机制，将目标外观线索注入内容特征。
• 联合多参考训练策略：防止特征纠缠，稳定训练过程。

主要结果或产业意义

• 在野外新视角合成和外观编辑任务上达到最优性能，一次前向推理即可完成，无需逐场景优化。
• 对AR/VR、电影后期、虚拟摄影等需要灵活外观控制的产业具有潜在应用价值。

为什么重要

首次实现了前馈框架下对无位姿、光照变化的野外图像的外观可控新视角合成，突破了传统方法依赖逐场景优化或光照假设的局限，显著提升了实用性与效率。

局限与不确定性

待核实（原始材料未提及具体局限，如对极端光照、剧烈遮挡或大尺度场景的泛化能力等）。

可用于图书/PPT/简报的角度

• 突出双分支解耦几何与外观的设计思想，可对比传统优化方法的耗时与效率。
• 强调“联合多参考训练策略”对特征纠缠的抑制效果。
• 展示在稀疏输入下实现外观编辑的应用场景（如改变昼夜、季节光照）。

原始材料

• 论文标题: WildSplat: Feedforward Gaussian Splatting from Unposed In-the-Wild Images
• arXiv ID: 2607.05347v1
• URL: https://arxiv.org/abs/2607.05347v1