知识卡片：GS²CI：利用大视觉模型先验的鲁棒快照压缩成像三维高斯溅射

一句话结论：GS²CI 提出从单张快照压缩成像（SCI）测量中重建高质量三维场景的框架，结合三维高斯溅射（3DGS）和大规模视觉基础模型（VFM）先验，并用面向 SCI 的 OSGR 致密化策略提升训练稳定性，在多个基准上取得综合最强性能。

事件概述/研究问题： 快照压缩成像（SCI）将时间或空间信息压缩到单张二维测量中，可实现高速视频采集；在曝光时间内存在相机–场景相对运动时，也可用于多视角场景捕获。已有工作开始探索用 SCI 做三维场景重建，但面临信息丢失、视角多样性有限，以及联合优化三维表示和相机位姿计算负担大等挑战。本文提出的 GS²CI 尝试从一次 SCI 测量直接重建高质量三维场景。

方法/产品要点：

• 主重建阶段：使用“由测量值导出的 3D VFM 初始化”与“SCI 感知的高斯优化”相结合来表示三维场景。
• 粗阶段收敛后：辅助的 2D VFM 在合成视角上提供伪视图监督，用于局部外观细化。
• 面向 SCI 的致密化策略 OSGR：
  • 利用局部不透明度统计扩充分裂候选；
  • 通过平均不透明度调节，抑制为补偿损失而增大不透明度的行为；
  • 用显式候选比例和高斯数量约束限制表示规模增长。

主要结果或产业意义：

• 论文报告在多个基准上取得综合最强性能：重建质量领先、对视角变化鲁棒，且计算效率有竞争力。
• 产业意义上，该路线有望让高速视频/多视角三维采集在单次二维曝光中完成，减少对密集多视角采集或复杂硬件同步的依赖；但具体应用场景与落地效果在摘要中未展开，待核实。
• 具体数值指标和基准名称待核实。

为什么重要：

• 它把 SCI 的低维压缩观测、3DGS 的高效三维表示和 VFM 的强先验结合在一个两阶段重建框架中。
• 摘要特别强调 SCI 监督的模糊性会导致 3DGS 优化不稳定，因此 OSGR 针对“不透明度膨胀”和“表示增长失控”提出了显式约束，这不是常见的通用致密化策略。

与既有脉络的关系：

• 本卡片与已有三张卡片无直接内容重叠：CamVLA 是视角鲁棒的操作策略，LCA 是肿瘤学临床决策框架，BiSCo-LLM 是大语言模型低比特压缩。
• 本条在“foundation-model”主题下的增量信息是：将大视觉模型先验用于从单张 SCI 测量重建三维场景，而非用于语言/动作策略。

局限与不确定性：

• 摘要未给出重建质量的定量数值、基准名称、运行时间或与基线方法的完整对比，待核实。
• 未具体说明 SCI 成像硬件/编码条件、训练数据规模、VFM 的具体模型和参数量，待核实。
• OSGR 各部分是否经过消融实验验证、在不同压缩率/噪声下的表现，均待核实。
• 当前材料为 arXiv 预印本信息，是否已经同行评审或后续修订，待核实。

可用于图书/PPT/简报的角度：

• “一次曝光重建三维场景”：用 SCI 的压缩测量连接高速成像与三维视觉。
• “大视觉模型先验在三维重建中的作用”：从初始化到伪视图监督，说明 VFM 如何补全信息损失。
• “训练稳定性设计案例”：展示 OSGR 如何用不透明度统计和数量约束解决三维高斯优化中的失控问题。

英文标题：GS$^{2}$CI: Robust Gaussian Splatting For Snapshot Compressive Imaging via Large Vision Model Priors

英文关键词：Snapshot Compressive Imaging (SCI); 3D Gaussian Splatting (3DGS); Vision Foundation Models (VFM); Pseudo-view Supervision; Opacity-Guided Splitting and Growth Regulation (OSGR)

原始来源：arXiv:2608.13502v1 [cs.CV]; https://arxiv.org/abs/2608.13502v1 ; 作者：Yanming Yang, Chenxi Song, Ping Wang, Xin Yuan, Chi Zhang；发布/更新：2026-08-13T17:29:53Z。