资讯摘要
论文提出 RLSplat，一种资源线性预算可控的前馈3D高斯泼溅框架。现有预算可控方法需先预测稠密高斯再剪枝或选择，推理延迟与峰值内存几乎不随预算变化；RLSplat 改为学习高斯分配策略，按局部场景区域分配预算并生成指定数量高斯，再通过资源线性解码精修。作者报告零样本评测中各预算下均优于先前方法，低预算时最高快 4.1 倍、峰值内存少 9.6 倍。
要点速读
- 现有预算可控 FF3DGS 方法先预测稠密高斯再剪枝或选择，推理延迟和峰值内存几乎不随预算下降。
- RLSplat 学习高斯分配策略，将预算分配到局部场景区域，直接生成所需数量高斯，并用资源线性解码精修。
- 作者报告零样本评测中每个预算均优于先前方法，高斯数少 4 倍时仍超过最强基线，低预算下最高快 4.1 倍、峰值内存少 9.6 倍。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:35（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。