AsySplat: Efficient Asymmetric 3D Gaussian Splatting for Long-Sequence Scene Modeling

📌 【HuggingFace Papers】AsySplat：非對稱 3D Gaussian Splatting 砍掉多餘運算

TL;DR：解耦幾何與外觀的非對稱架構，用更少引數達到更快的長序列新視角合成。

長序列新視角合成（NVS）最近靠通用化 3D Gaussian Splatting 模型推進了不少，但代價是大量重複計算。問題來了：那些運算，真的都需要嗎？

🤔 兩個觀察：高精度幾何與外觀學習的難度落差

作者指出，現有通用化 3D Gaussian Splatting 模型在長序列 NVS 上表現變好，但伴隨顯著冗餘運算。他們歸納出兩項關鍵觀察：

• 高品質 NVS 並不嚴格要求高精度幾何。
• 外觀學習通常比幾何還原來得容易。

也就是說，把大量引數與運算堆在幾何上，未必划算。

🧩 非對稱架構：幾何走粗粒度、外觀走細粒度

基於上述洞察，論文提出 AsySplat，一種將幾何與外觀建模解耦的非對稱架構：

• 幾何分支：處理粗粒度 tokens，配置多數引數，負責多視角重建。
• 外觀分支：處理細粒度 tokens，用明顯較少的引數捕捉細節。
• 兩分支透過雙邊連線（bilateral connections）互動，彼此提供任務所需的引導。

這種依任務特性分配運算的非對稱設計，目的是削減運算冗餘，讓計算資源用得更精準。

📊 32-view 960P 輸入下的效能表現

在 32 視角、960P 輸入設定下，README／摘要指出：

• 模型效能比肩基於最佳化（optimization-based）的方法，同時帶來將近 800 倍加速。
• 零樣本（zero-shot）表現超越現有最強通用化模型，且引數明顯更少、訓練與推論負擔降低。
• 整體達成效率的提升。

⚠️ 限制與未提及細節

摘要未說明具體資料集、訓練設定、評估指標數值，也未提及作者與機構名稱，上述效能聲稱均來自論文摘要本身。

🎯 實務啟示

對做 3D 場景重建或 NVS 的工程師來說，與其盲目放大模型，先問「哪些任務其實不需要那麼多算力」可能更關鍵。AsySplat 展示了用非對稱分支解耦不同性質的子任務，能在小模型下換到高效率和夠好的結果，對邊緣部署或長序列應用有參考價值。

🔗 來源

• 標題：AsySplat: Efficient Asymmetric 3D Gaussian Splatting for Long-Sequence Scene Modeling
• 連結：https://huggingface.co/papers/2607.10995

#3DGaussianSplatting #NVS #SceneModeling #AsySplat #ComputerVision #Efficiency #NeuralRendering #DeepLearning #ModelArchitecture #HuggingFacePapers