一句话看懂：alphaXiv 上公开的 InfiniSplat v2 提出把前馈 3D 高斯重建中的几何预测冻结、只训练高斯属性，在六个数据集的前馈评测中取得更低的感知误差指标。
事件核心：发生了什么
2026 年 10 月 14 日，alphaXiv 页面公开了论文 InfiniSplat v2: Analyzing and Improving Feed-Forward 3DGS from Any Views。它针对的是“从任意视角图片直接前馈生成 3D 高斯场景”这一任务：不针对每个场景做慢速优化，而是让网络一次输出可渲染的高斯。
作者的判断是，几何预测本身不完美，而让属性学习去“挪动”点来掩盖几何误差，反而会带来模糊和鬼影。因此 v2 采用冻结几何分支、单独训练属性分支的做法；高斯中心由深度反投影得到，不预测位置偏移，只允许缩放和旋转可学。训练时用真值相机位姿并对齐尺度，监督同时覆盖输入视角和夹角较大的目标视角。在六数据集、姿态条件设置下，平均 LPIPS 从最强基线 ReSplat 的 0.3333 降至 0.2472，DISTS 从 WorldMirror 2.0 的 0.1734 降至 0.1163，对应降幅 25.8% 和 32.9%。
为什么重要
前馈 3D 重建的价值在于省掉逐场景优化，但过去常被几何误差拖累画质。这项工作的意义不在于指标本身，而在于它是一个清晰的技术路线表态：与其让属性网络补偿几何错误，不如把几何固定住，把学习容量集中到颜色、透明度和形状上。若该结论可复现，会直接影响 3DGS 类模型的训练设计，也可能让“任意视角输入”更接近实际可用。
对用户/开发者/创作者的影响
对开发者和 3D 内容创作者来说，这提示了一条降低训练复杂度的思路：用预训练几何模型做底座，只微调属性分支，可能减少算力开销和调试成本。但需注意，目前公开信息只来自论文摘要页面，不是已上线产品或开源工具，也没有速度、显存和推理延迟数据。能否在消费级 GPU 上跑通、是否开放权重，仍需等后续发布确认。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是代码和权重是否开源，这决定开发者能否复现；二是姿态无条件（pose-free）设置下的实际稳定性，目前摘要只给出与条件设置并列的 SOTA 表述；三是在输入视角较少或大角度变化时，冻结几何是否仍然有效，以及作者测试的位置偏移方案是否在更多数据集上持续变差。
来源：alphaXiv
