浙大团队推出新作 SplatAnything，依靠高斯间距归一化（GSNorm）方案实现任意场景的前馈式 3DGS 重建，在任意外插视角场景下稳定性明显优于现有方案，并且在 ScanNet、DTU、Mip-NeRF 360 等一共 7 个主流数据集上拿到 SOTA 结果。传统前馈 3DGS 大多采用径向距离归一化，它只约束相机径向距离，不管相邻高斯点之间的间隔，场景大小、拍摄机位一变，高斯尺度目标就会混乱，稀疏视角、超出原有轨迹的外推视角很容易出现糊图、飘点、几何崩坏；而 SplatAnything 直接把归一化基准换成高斯间距的中位数，把局部空间尺度对齐，模型学到的规律不再跟着场景尺寸漂移，输入少量图片就能一次性输出整套高斯表示，不用再针对单个场景反复迭代优化，在机器人、AR、三维扫描、实景建模这些场景实用性很强。
一、SplatAnything 基础信息总览
| 项目 | 详情说明 |
|---|---|
| 项目名称 | SplatAnything |
| 核心创新 | 高斯间距归一化 GSNorm |
| 任务方向 | 前馈式 3DGS（3D Gaussian Splatting）重建 |
| 核心优势 | 任意外插视角重建性能鲁棒、跨场景泛化稳定 |
| 验证数据集 | ScanNet、NRGBD、DL3DV、Tanks and Temples、Mip-NeRF 360、ETH3D、DTU，合计 7 套 |
| 输入视图测试档位 | 4 / 8 / 16 / 32 / 64 视图，覆盖稀疏到稠密输入 |
| 对比基线 | Mirror2-GS、AnySplat、PixelSplat 等主流前馈方案 |
| 核心指标 | PSNR、SSIM、LPIPS，在外推视角增益最突出 |
| 论文上线时间 | 2026-11-05（arXiv） |
二、高斯间距归一化（GSNorm）原理
- 老方案缺陷：径向距离归一化 RDNorm
- GSNorm 的改造思路
- 带来的收益
- 整体流程
它把到相机原点的平均径向距离缩放到 1，只控制全局离相机远近，相邻高斯之间的间距没有约束。同样的局部纹理，放到大房间、小桌面两套场景，高斯点疏密差别巨大，监督目标模糊，模型很难学到稳定规律。
通过深度图、相机焦距算出每一个像素对应的高斯间距，取全部高斯间距的中位数作为归一化因子，把整个场景缩放至 “中位高斯间距等于 1” 的标准空间。
不管是巴掌大的物体、室内房间还是大型室外场景，局部几何的尺度基准统一，模型预测高斯大小、椭圆方向、不透明度的时候更加一致，外推视角不容易出现几何漂移。
输入多视角图片 → 编码器提取特征、预测深度与相机位姿 → 计算高斯间距中位数做归一化 → 解码器一次性输出全套 3D 高斯原语 → 反归一化得到真实尺度场景，全程单前向推理，没有逐场景优化。
三、实验与性能特点
- 稀疏输入友好
- 外插视角优势明显
- 全 7 数据集拿下 SOTA
- 推理效率
哪怕只用 4、8 张少量图片输入，重建出来的几何和渲染画质衰减幅度比其他基线更小，适合随手拍几张照片建模的场景。
论文专门设计遮挡感知的外推测试，相机走到原始拍摄轨迹之外，其他方法容易出现虚影、漂浮高斯、纹理错乱，SplatAnything 的几何一致性保持更好，鲁棒性是这次最大亮点。
数据集覆盖室内、室外、物体、大场景，尺度跨度很大，统一基准下 PSNR、LPIPS 综合指标超过之前主流前馈 3DGS。
属于前馈方案，一张场景图输入直接出高斯，不需要传统 3DGS 几十分钟的迭代训练，适合流式、实时三维重建业务。
四、落地应用方向清单
- AR / MR：手机随手拍摄，实时生成可漫游三维空间，自由切换拍摄外推视角；
- 机器人导航：稀疏多目相机快速重建周围环境，超出采集轨迹依然保持稳定几何；
- 实景三维、数字资产：快速从照片生成 3D 高斯资产，降低建模成本；
- 自动驾驶感知：多相机稀疏重建，对新增、不在原轨迹的观测视角更稳定；
- 三维生成：作为底层几何先验，给 3D 生成模型提供更可靠空间底座。
【相关 FAQ】
问题 1：浙大 SplatAnything 的高斯间距归一化，到底解决了前馈式 3DGS 重建的什么痛点？
回答 1：浙大 SplatAnything 的高斯间距归一化，解决传统径向归一化只约束相机径向距离、不管高斯点间距的问题，消除不同场景尺度、机位带来的监督目标漂移，让前馈式 3DGS 重建在任意外插视角下更加稳定鲁棒。
问题 2：SplatAnything 在 7 大数据集拿到 SOTA，是不是代表它在所有视角，尤其是外插视角都强于其他前馈 3DGS？
回答 2：是的，SplatAnything 在 7 大数据集整体达到 SOTA，提升最明显的就是外插视角；常规内插视角也有小幅领先，稀疏输入条件下，和基线方案的差距会进一步拉大。
问题 3：SplatAnything 是前馈式 3DGS 重建，和传统需要逐场景优化的 3D 高斯喷涂有什么不一样？
回答 3：传统 3DGS 需要针对这一组照片反复迭代几十分钟优化；SplatAnything 属于前馈式 3DGS 重建，训练好网络之后，输入图片一次前向推理直接输出高斯，不需要现场迭代，速度快很多，但上限和精细化程度和长时间优化方案还有区别。
问题 4：SplatAnything 的高斯间距归一化，会不会增加前馈式 3DGS 重建的推理开销？
回答 4：高斯间距归一化只是基于深度、相机参数做一次统计缩放，计算开销很低，不会显著拖慢推理速度，它的代价主要在训练阶段让模型适配这套新的归一化空间。
问题 5：SplatAnything 的任意外插视角性能鲁棒，在实际使用的时候有什么直观体验？
回答 5：外插视角就是相机走到原始拍照轨迹之外，其他前馈 3DGS 容易糊、出现漂浮噪点、几何扭曲；SplatAnything 依靠高斯间距归一化，走到新视角之后物体形状、纹理不容易崩坏，漫游观感更连贯。
【参考资料】
[2026-11-10]（浙大重磅新作 SplatAnything：高斯间距归一化实现任意场景的前馈式 3DGS 重建，任意外插视角下性能鲁棒，7 大数据集 SOTA！）3D 视觉工坊
[2026-11-05]（SplatAnything: Gaussian Spacing Normalization for Feed-forward 3DGS across Arbitrary Scenes）arXiv
[2026-11-09]（SplatAnything: New feed-forward Gaussian splatting method）The Agent Times
[2026-11-10]（浙大 SplatAnything 解读：解决前馈 3DGS 尺度歧义）HyperAI
【免责声明】
本文内容来自 arXiv 论文原文、3D 视觉工坊等行业解读；SplatAnything 的性能、指标全部基于论文固定测试基准，实际效果会受图片质量、相机标定、场景复杂度影响；该项目目前为学术预印本阶段，未完成正式产业落地，不代表可直接商用，本文仅为技术资讯整理，不构成项目选型建议。
本文来自作者[安静拿铁]投稿，不代表新品牌网立场，如若转载，请注明出处：https://www.china12315.com.cn/ppzx/202611/403.html
评论列表（4条）
我是新品牌网的签约作者“安静拿铁”！
希望本篇文章《浙大 SplatAnything 发布，高斯间距归一化打造鲁棒前馈式 3DGS 重建》能对你有所帮助！
本站[新品牌网]内容主要涵盖：互联网行业的追踪与探索
本文概览：浙大团队推出新作 SplatAnything，依靠高斯间距归一化（GSNorm）方案实现任意场景的前馈式 3DGS 重建，在任意外插视角场景下稳定性明显优于现有方案，并且在 ScanNet、DTU、Mip-NeRF 360 等一共 7 个主流数据集上拿到 SOTA 结果。传统前馈 3DGS 大多采用径向距离归一化，它只约束相机径向距离，不管相邻高斯点之间的间隔，场景大小、拍摄机位一变，高斯尺度目标就会混乱，稀疏视角、超出原有轨迹的外推视角很容易出现糊图、飘点、几何崩坏；而 SplatAnything 直接把归一化基准换成高斯间距的中位数，把局部空间尺度对齐，模型学到的规律不再跟着场景尺寸漂移，输入少量图片就能一次性输出整套高斯表示，不用再针对单个场景反复迭代优化，在机器人、AR、三维扫描、实景建模这些场景实用性很强。