StereoSplat+：基于扩散辅助渐进推理的前馈立体高斯喷洒

近年来，3D高斯喷洒（3DGS）技术在新视角合成领域取得了高质量的可渲染场景表示。然而，大多数现有3DGS管线依赖多视图观测（或对后续帧的非因果访问）来实现充分覆盖，这在设备端机器人和增强现实场景中往往不可行，因为传感仅限于单个立体摄像头。因此，从单个立体观测中恢复高质量3DGS场景仍具挑战，主要面临遮挡、视野有限和几何缺失等问题。

针对这一难题，研究团队提出了StereoSplat+，一个基于扩散增强的前馈框架，能够从单个立体对实现因果重建。该方法包含两大核心组件。首先，StereoSplat是一个输入不变的前馈3D高斯估计器，可接受任意数量的已标定立体对作为输入，并预测高质量3D高斯。它通过cost-volume分支和triplane基于3D体积分支融合互补的几何线索，并利用连续姿态编码泛化至不同视图数量和相机配置。这种设计使模型在训练时能利用多个立体对，而在推理时仍能适应单个输入。

其次，针对推理时通常缺少多个立体对的问题，研究引入了StereoSplat+，一种扩散增强的一次性渐进推理方案。该方案从单个立体对出发，从预测的3DGS中渲染新的立体视图，通过单步扩散增强器对其进行优化，然后将优化后的视图作为附加输入反馈以更新3DGS。这一迭代过程在单次前向传播中完成，无需额外训练或昂贵的优化循环。

在KITTI-360数据集上的实验表明，StereoSplat+显著提升了新视角渲染质量和几何精度，尤其在遮挡区域和强外推视角下，其性能超越了近期前馈3DGS基线方法。相关成果已被IEEE/RSJ国际智能机器人与系统大会（IROS2026）接收。该工作由Zihua Liu和Masatoshi Okutomi完成，论文共8页，展示了单目立体输入下3D重建的新进展。