3DGS 速报 · 第 6 期（2026.08.24 – 08.29）

追踪 3D Gaussian Splatting 前沿，每周一更。点击「关注」并设为星标 ⭐，第一时间拿到最新论文、工具与落地动态（本期收录窗口 2026.08.24 – 08.29）。

本期关键词：水下重建 · 压缩 · 评测基准 · 工具链

📌本期头条：高斯下水这件事，本周一次性补齐了三块拼图。8 月 24 日同一天，NemoSplat（前馈 4D，港科大团队）和 AquaFlow（单目流式 SLAM）两篇水下重建论文挂到 arXiv；8 月 26 日，一篇受控横评把五个开源 GS 系统拉到不同浊度、不同光照下对齐比较，结论写得很直白：这些方法能做什么，更多取决于设置，而不是架构。

横评里有个数字值得单独拎出来：运动恢复结构（SfM）在清澈水体中能配准 99.5% 的帧，在 12 NTU 浊度下是 0.0%。

水下之外，压缩方向也交出了本周最实用的成果：Fraunhofer HHI 的 KISS-GS 把压缩做成训练后的可插拔模块，85 到 319 倍，解码不依赖任何专用库。

一、本周速览

同期还有两件事值得留意。一是版本更新潮：ReSplat（arXiv:2510.08575）在 8/26 更新版本并挂上 ECCV 2026 Spotlight，3DGS-HPC（arXiv:2603.07587）同日更新、标注 ICML 2026，两篇都在本周补上了会议信息。二是撤稿提示：RobustGS（arXiv:2508.03077）作者在 8 月 24 日更新的版本页注明，因内容涉及所属机构保密规定而撤稿，引用前请留意。

二、硬核论文

1. 水下一周三连：前馈、SLAM、还有一篇劝你先调设置

水下重建的老大难是物理。光在水里被吸收和散射，拍到的像素颜色混进了介质的贡献，不再是场景本身的样子。3DGS 的整条管线，从 SfM 找特征到光度误差做监督，全都建立在外观一致性上，水下直接失效。

8 月 2 日 Swimm3R（arXiv:2608.00950，明尼苏达大学）用介质感知 SfM 加 Beta 原语开了头，本周三篇接着往下推。

NemoSplat（2608.22888，8/24）：据摘要，这是首个面向介质感知动态重建的前馈 4DGS 框架，直接从无标定的海洋视频出结果。两个设计：可提示的动态解缠器，用学习到的动态概率与可选语义文本先验做置信度融合，把游鱼、悬浮物这类瞬时实体剥出来；介质感知高斯预测器，联合估计三维高斯属性与物理介质参数，单次前向就还原干净外观。团队还配了大规模水下数据集。前馈意味着不用逐场景优化。

来源：arXiv:2608.22888，Xiaopeng Guo, Wai Chung Tse, Yipeng Zhu, Hanwen Zhang, Huajian Huang, Sai-Kit Yeung，Submitted 24 Aug 2026，cs.CV。项目页：nemosplat.hkustvgd.com。

AquaFlow（2608.22906，8/24）：走 SLAM 路线，单目输入、流式重建。核心动作是在大规模水下数据上微调 3D 视觉基础模型，对抗衰减与散射，再配合介质引导的增量式高斯初始化。据摘要，在 62 条水下轨迹的数据集上，相比 WaterSplat-SLAM 平均定位误差降低 13.2%，PSNR 提升 4.74 dB。

来源：arXiv:2608.22906，Yingxiang Xu, Kerui Ren, Wenqi Guo, Changjian Jiang, Tao Lu, Linning Xu, Mulin Yu，Submitted 24 Aug 2026，cs.CV。

受控横评（2608.25483，8/26）：这篇最"反高潮"，也最有用。作者把五个有公开代码的系统放在同一套协议下跑，共享位姿、初始化、预算和评估器，变量是浊度、光照损失与色彩衰减，另外加了一段工业调查。结论是一句大白话：这些方法能做什么，更多取决于设置，而不是架构。

它给出的三个具体发现，比结论本身更有用：

• 水体清澈度约束发生在渲染之前：SfM 在清澈水中能配准 99.5% 的帧，在 12 NTU 浊度下是 0.0%；
• 光照几何决定介质模型到底有没有用：在随相机移动的人工光源下，不考虑介质的 splatting 反而赢了那两个介质感知系统；
• 在工业调查那段，基准里光度指标的第一名垫了底，几何上被"去雾预处理 + 原生 3DGS"打败，而这些差异在领域惯常报告的分数里完全看不出来。

来源：arXiv:2608.25483，Olaya Álvarez-Tuñón, Stella Graßhof，Submitted 26 Aug 2026，cs.CV。代码、场景与评估脚本：github.com/olayasturias/uw3dgs。

顺带一笔：RefracGS（2603.21695）本周更新版本，用 3DGS 光线追踪处理水面折射，把水面上的世界和水下的世界装进同一个可微渲染器。

来源：arXiv:2603.21695，Yiming Shao, Qiyu Dai, Chong Gao, Guanbin Li, Yequan Wang, He Sun, Qiong Zeng, Baoquan Chen, Wenzheng Chen，原提交 23 Mar 2026，v2 于 27 Aug 2026 更新，cs.CV。

速报点评：数据集、前馈、SLAM、横评四件套，水下 3DGS 在一个月内配齐了。受控横评那篇尤其建议收藏，它替整个社区把"先调曝光和初始化，再谈换架构"这句话说破了，还顺手指出了一件尴尬事：业内常报的分数，未必能反映真实工况下的好坏。

2. 物理约束：拉格朗日力学与 PDE 算子学习

LagrangeGS（2608.22773，8/24，BMVC 2026）：盯住动态 3DGS 的一个隐痛。所谓 physics-aware 扩展只是在拟合速度场，并不满足拉格朗日力学，于是带来三个问题：轨迹物理不自洽、不能时间反演、长时外推会几何崩塌。

修法是把动态 3DGS 整体写成非保守拉格朗日系统。难在工程：通用拉格朗日神经网络（LNN）要对百万级高斯做大规模速度 Hessian 矩阵求逆，算不动。作者的近似很务实，把速度 Hessian 当单位阵处理，让粒子动力学解耦；再限制非保守力与时间无关，保证反向积分一致；最后加局部刚性对齐来稳住轨迹。据摘要，结果是稳定长时外推、一致时间反演，以及免重训的反事实物理编辑。

来源：arXiv:2608.22773，Shogo Sato, Takuhiro Kaneko, Shoichiro Takeda, Tomoyasu Shimada, Riku Inoue, Kazuhiko Murasaki, Ryuichi Tanida，Submitted 24 Aug 2026，cs.CV。

GS 算子学习（2608.24049，8/25）：这篇跨界跨得最远，把前馈高斯溅射（FFGS）表示拿去做偏微分方程的算子学习。思路是在表示层接入物理：FFGS 把状态重建为连续高斯场，空间导数有闭式解，于是已知的 PDE 算子可以直接嵌进学到的演化映射里，不需要额外的物理残差损失。

据摘要，在平流、扩散、非线性自平流与反应动力学等二维和三维 PDE 系统上，长时序自回归推演的相对 ℓ2 误差相比最强纯数据驱动基线降低 1.5 到 2.2 倍，光谱保真度也一致提升；在控制方程只有部分已知时依然有效。作者之一任职于康奈尔大学。

来源：arXiv:2608.24049，Jihao Zhang, Junyi Guo, Jian-Xun Wang，Submitted 25 Aug 2026，cs.LG。

PAGS（2608.25472，8/26）：把高斯溅射用在光声断层成像（PACT）的自动聚焦上。声速未知且不均匀会导致飞行时间错算、重建散焦，而现有自适应方法要么依赖标定过的声学先验，要么去优化稠密物理介质模型，代价高且难扩展到三维。PAGS 用稀疏高斯光声源表示初始声压场，再用球谐探针参数化的紧凑各向异性路径平均声速场替代显式介质恢复，闭环优化且不需要标定先验。

来源：arXiv:2608.25472，Jiarui Ge, Jintao Ma, Bangxu Fan, Jinyan Zhang, Xiaokang Yang, Shuai Na, Xiaoyun Yuan，Submitted 26 Aug 2026，cs.CV。

速报点评：三条路的用力方向不一样。LagrangeGS 把物理当约束，求"动得对"；算子学习把物理当接口，求"接得上"；PAGS 则是把高斯当成物理场的离散化载体本身。共同点是它们都不再满足于"渲染得像"。

3. 压缩：KISS-GS 的卖点是"不碰训练"

3DGS 压缩的常见做法是把压缩揉进训练，量化感知训练、熵模型联合优化，效果不错，代价是要动训练代码。对已经有成熟训练管线的团队来说，这类方法的评价往往是"很好，但别碰我的管线"。

KISS-GS（2608.26948，8/27）走另一头：训练照旧，压缩做成后处理。三步可以拆开看（据摘要）：先用现有剪枝方案做紧凑化，得到 15.7 倍；再用 SOG-XT 格式编码成图像，得到 6.6 倍；可选的编码感知微调再带来 2.2 倍。在标准基准上合计 85 到 319 倍，率失真性能反超紧耦合方法。

SOG-XT 是对 Self-Organizing Gaussians 的扩展，两个新东西：自组织 2D 码本，以及并行代表分配平滑（PRAS），后者利用四元数与尺度参数化的对称性，生成更适合压缩的二维属性网格。

解码端是它真正的杀招：只依赖 Web 原生图像格式，浏览器不装任何东西就能解。

来源：arXiv:2608.26948，Wieland Morgenstern, Friedrich Elias Branschke, Florian Fleischmann, Adrian Szatmari, Paul Schlack, Florian Barthel, Peter Eisert, Anna Hilsmann，Submitted 27 Aug 2026，cs.CV。项目页：fraunhoferhhi.github.io/KISS-GS。

同周还有两篇配套。M³ISR（2608.22465，8/23）给 3D/4DGS 和前馈压缩搭了评测场：25 个场景、五个室内外场景组、两种相机与运动配置、六个同步 1080p 视角，密集标注了 RGB、相机参数、深度、语义与实例分割、静态动态掩码，分五条赛道。基线结论很有意思：静态重建质量各家差距很小，存储差距巨大。作者还指出，被评测的流式方法报告的重建成本明显高于对应的离线动态重建基线。

来源：arXiv:2608.22465，Xinhui Liu, Lei Liu, Zhenghao Chen, Lebin Zhou, Wei Wang, Wei Jiang，Submitted 23 Aug 2026，cs.CV。

POP（2608.22344，8/23）从训练端下手反"模型膨胀"。3DGS 的 densify-then-prune 范式会先把模型激进扩张、再靠剪枝压回来，中间产生大量低不透明度冗余高斯。POP 用 L2 重建损失提供与误差成比例的梯度稳住优化，再用极化不透明度先验把有信息量的高斯推向全不透明、没用的推向透明，实现自然剪枝，并借提前光线终止加速渲染。据摘要，在三个公开数据集上以更少的高斯实现更快训练，视觉质量相当。

来源：arXiv:2608.22344，Zi-Ming Wang, Kai-Wen Duan, Kowei Huang, Akihiro Sugimoto, Shang-Hong Lai，Submitted 23 Aug 2026，cs.CV。

速报点评：KISS-GS 的 319 倍当然亮眼，但工程位上的可插拔更值钱：解耦意味着能直接进现有管线。配合 M³ISR 那个"质量差距小、存储差距大"的观察，压缩作为下一个主战场的判断有了基准支撑。

4. 视频先验与稀疏视图：把生成模型当修图工

FixAnything（2608.23549，8/24，ECCV 2026）：一个模型修 3DGS、NeRF、网格、点云四种表示的渲染伪影。做法是复用预训练视频生成模型，只做最小改动和轻量微调。关键洞察是，哪怕渲染得很脏，序列里仍保留着相机运动和粗略场景结构，于是清理可以被表述成视频到视频的翻译。

两个控制手段值得注意：一个二值掩码标出干净像素，让模型把输出锚定在高质量输入（比如训练视角）上、只修其余部分；再用 SfM 恢复出的相机位姿精度作为直接偏好优化（DPO）的奖励信号，逼模型产出三维一致、可供下游重建的结果。据摘要，一个通用视频先验因此能替掉多条专用修复管线。作者来自卡内基梅隆大学。

来源：arXiv:2608.23549，Khiem Vuong, Deva Ramanan, Srinivasa Narasimhan，Submitted 24 Aug 2026，cs.CV。项目页：fix-anything.github.io。

SeeU（2608.22740，8/24，ECCV 2026 Workshop）：把语义塞进高斯估计。跨视图熵感知模块把多视角的语义与几何线索聚成紧凑嵌入，条件高斯变换器对粗高斯做残差更新，专门补部分观测与遮挡区域的结构，同时保持表面一致性。据摘要，在更具挑战的外推设置下，PSNR 相比近期 SOTA 平均提升 2.44 dB。

来源：arXiv:2608.22740，Zeyang Bai, Yunpeng Wang, Yunbiao Wang, Jun Xiao，Submitted 24 Aug 2026，cs.CV。

无训练干扰物过滤（2608.26951，8/27）：思路很巧。前馈 3DGS 每个输入视角各自预测一组高斯，瞬态物体（路人、临时遮挡）只存在于看见它的那几个视角的预测里，却会留在合并后的表示中，在新视角下造成模糊、重影或漂浮。作者的做法是逐个排除某视角关联的高斯、再用剩余表示渲染同一相机，不一致的内容就会暴露出来；接着用特征相似度圈出候选区域，再用渲染验证筛掉那些移除后并不能降低其他视角重建误差的候选。

全程在单次冻结预测上操作，不训练也不做场景级优化。据摘要，在三个重建模型和两个干扰物基准上稳定提升新视角质量；在干净场景上跨四个模型评估，原始重建基本被保留。

来源：arXiv:2608.26951，Kangmin Seo, Jae-Pil Heo，Submitted 27 Aug 2026，cs.CV。

CoGeo-GS（2608.26656，8/27，ICME 2026）：把编辑从单物体推到多物体。给高斯打上概念感知的语义标签，一次优化内完成选择与去耦合；移除后的空洞用单目深度先验加扩散修复与边界对齐融合来补，再用几何正则化稳住多视角一致性。

来源：arXiv:2608.26656，Yuanxiang Ni, Xianliang Huang, Chenhang Ma, Chen Xiao, Yuewen Ma, Ruxin Wang, Hao Zhang，Submitted 27 Aug 2026，cs.CV。

速报点评：FixAnything 用一个通用视频先验替掉多条专用修复管线，CoGeo-GS 则用扩散先验补移除后的空洞——生成模型在这两篇里干的都是"补洞"的活。无训练干扰物过滤那篇更讨巧，它把前馈架构的"逐视角预测"从一个设计特性，变成了免费可用的工具。

5. 机器人与世界模型

CGS-SLAM（2608.26868，8/27）：多数 3DGS SLAM 依赖 RGB-D 输入，而消费级手机没有深度；把 3DGS 放进多机协作框架的又很少。CGS-SLAM 是混合式去中心/中心化系统，只用 RGB 和惯性数据。每台设备以惯性数据作运动先验做局部跟踪，用度量单目深度估计器 Depth Pro 重建带尺度的地图；关键帧编码在设备间共享，在与其他设备存在空间重叠的区域启用动态关键帧；最后由中心服务器用 VGGT 作视图对齐模型来对齐子图。据摘要，双向通信把建图期的通信开销压得很低，适合 GNSS 拒止环境。

来源：arXiv:2608.26868，Jean-Daniel de Ambrogi, Aladine Chetouani, Vincent Nguyen, Aurélien Chateigner，Submitted 27 Aug 2026，cs.CV。

4DGS-WAM（2608.25956，8/26）：以对象为中心的世界动作模型。用显式 4DGS 表示分别建模动态物体与静态背景，策略模型预测未来动作、世界模型预测已观测高斯的变换，静态背景不必为未来状态重新生成，算力集中在动态对象的演化上。据摘要，在 KITTI-MOT 上评估短程预测与过去重建。作者注明这是 work in progress，作者之一来自香港中文大学。

来源：arXiv:2608.25956，Yueen Ma, Zenglin Xu, Irwin King，Submitted 26 Aug 2026，cs.CV。

实验室机器人基准（2608.26383，8/26）：自主实验室机器人要在物理控制环的时延预算内，把相机流转成可操作的对象表示。这篇系统评测了 NeRF 与 3DGS 在从单板计算机到服务器级节点等各类 GPU 设备上的训练与渲染，并把 Meta 的 SAM3D 单图重建放在同一坐标轴上比较。据摘要，3DGS 渲染质量高于 NeRF 但 GPU 成本更高；机载算力不足以支撑交互速率下的完整逐场景优化；SAM3D 能在数秒内给出合理几何，但细节错配可能危及下游操作。

来源：arXiv:2608.26383，Yongho Kim, Mengjiao Han, Victor Mateevitsi, Silvio Rizzi, Michael E. Papka, Nicola Ferrier，Submitted 26 Aug 2026，cs.RO。

速报点评：多机对齐、世界模型、算力预算，这三篇问的是同一类问题：3DGS 在机器人栈里到底该占哪一格。实验室基准给出的答案比较冷静，质量够用，算力是瓶颈。

三、应用落地

1. KIRI 3DGS Render 5.1.0：实时重打光进视口（8/28）

据 Radiance Fields 报道，Kiri Innovations 的 Blender 插件 3DGS Render 更新 5.1.0，新增实时重打光与 Eevee 网格阴影，支持 Blender 5.2，另修复复制相关缺陷。

重打光一直是 splat 的传统弱项：原语只存了外观，没存材质和光照的分解。这次把它做进 Blender 视口，意味着调光不用再导出到别处。

2. 工具链六款：采集、合并、清理、训练（8/24–8/28）

工具与平台本周共 8 条更新，这里集中说 KIRI 与 MultiSet 之外的 6 款，其中 4 款是 Blender 或 Houdini 插件，多数出自个人与小团队开发者（均据 Radiance Fields）：

• Splatlight（8/25）：Blender 场景直接生成 splat，自动生成相机装置，已知位姿直喂训练器，跳过 COLMAP 求解。合成数据管线的重要拼图
• PCD Splatter（8/25）：纯 Python 在 Blender 内读 E57 激光扫描，转成按密度定大小的 splat，Eevee 和 Cycles 都能渲染。测绘点云和 splat 两个世界打通了
• Point Cloud Merger（8/24，Olli Huttunen）：多个 COLMAP 重建在 Blender 内导入、对齐、合并，打包成一体的训练输入。分次扫描合并是扫描工作流的刚需
• Nodeconnector 清理 HDA（8/26）：Houdini 22 免费模块化 SOP，去重复 splat、漂浮物、alpha 噪点、色相异常值，自动补洞
• AirVis Studio 1.0.4（8/24）：把 3DGS 本地训练带到 Windows
• luma.gl 9.4.0 beta（8/24）：vis.gl 发布 @luma.gl/splats，GPU 原生高斯渲染器，支持 WebGPU 层级遍历、有界驻留和 Spark RAD 分页

这批工具干的都是脏活。当"建出 splat"不再稀缺，把 splat 弄干净、发出去就成了新的竞争面。清理类工具的密度，是管线成熟度的指示剂。

3. MultiSet AI：把 splat 当室内定位地图用（8/27）

据 Radiance Fields 报道，MultiSet AI 把 Gaussian splats 直接作为视觉定位系统（VPS）的原生地图输入，用相机图像在 splat 地图里定位，绕开 GPS 在室内失效的问题。

splat 不只是看的资产，还能当定位的基础设施。这和论文侧 CGS-SLAM 的多机共享地图是同一个趋势的两端。

四、技术科普

高斯下水，为什么这么难

本周水下论文扎堆，正好把这个方向的核心难题讲透。

水对光做了什么。水下成像的经典简化模型是一条加法：观测图像等于透射后的场景直接光，加后向散射光。直接光在路上被吸收和散射，越远越弱，红光最先消失，画面发蓝绿；后向散射是光源照亮水中悬浮颗粒后直接弹回相机的"雾"；前向散射则把细节糊掉。距离一远，有效对比度断崖式下跌。

3DGS 的三个失效点。

• SfM 段：特征匹配依赖外观一致性，颜色被介质污染后匹配率暴跌，位姿估不准，整条管线从头崩
• 监督段：3DGS 唯一的老师是光度误差，模型分不清"远处蓝色的物体"和"近处被水雾罩住的物体"，两者在像素上都成立，几何就学歪了
• 采样段：水下相机轨迹由 ROV 决定，受推进器和缆绳约束，视角分布常比地面采集稀疏得多

本周论文对应的三层解法。

• 物理层，把介质当显式变量：Swimm3R 的物理头回归水下成像参数，NemoSplat 的介质感知预测器走前馈
• 表示层，换原语：Swimm3R 用 Beta 原语加散射感知梯度，等于承认高斯核在水下不是最优选择
• 系统层，流式 SLAM 加基础模型先验：AquaFlow 微调 3D 视觉基础模型，单目、在线、增量

五、行业脉搏

观察 1：评测基准开始反过来质疑方法

这周有三篇工作在问"我们到底该怎么评"。受控横评指出，领域惯常报告的分数看不出真实工况的差距；M³ISR 指出静态质量差距小、存储差距大，且流式方法报告的成本高于离线基线；PIVOT 则直接瞄准 benchmark 本身的采集假设过于干净。

这三篇凑在一起，是一个领域进入"方法够多、需要重新校准尺子"阶段的信号。

观察 2：压缩与分发，正在接棒质量

M³ISR 的基线结论是静态质量差距很小、存储差距巨大。KISS-GS 把压缩做成可插拔后处理并坚持 Web 原生解码，POP 从训练端减少冗余高斯，luma.gl 把 WebGPU 渲染做进底层库。

四件事指向一处：当重建质量趋于收敛，竞争重心移到"存得下、发得出、打开就能看"。

观察 3：水下板块的基础设施化

8 月 2 日 Swimm3R 带来 Barbados 数据集，本周 NemoSplat（前馈 4D）、AquaFlow（SLAM）、受控横评（评测）接连到位，RefracGS 更新了折射方向。数据集、方法、系统、评测，一个细分领域的基础设施在一个月内配齐。

六、本周小结

本周 3DGS 生态的三个信号：

1. 评测意识抬头。三篇基准类工作同时质疑现有打分方式，其中水下受控横评给出的"99.5% 对 0.0%"最有说服力：高斯能不能开工，取决于水清不清，而不取决于用哪个架构。
2. 物理与生成两股力同时加约束。拉格朗日力学和 PDE 算子学习管"动得对不对"，视频扩散先验管"长得对不对"。一个从物理来，一个从数据来。
3. 工具链深耕最后一公里。319 倍压缩、Web 原生解码、实时重打光、一周四款采集清理合并插件。splat 资产离"随手能发"越来越近。

一句话：水清不清，决定高斯能不能开工。

如果你做海洋工程、水产或考古，本周水下三篇加 Swimm3R 就是选型起点；做仿真与科学计算，LagrangeGS 和算子学习值得精读；做内容管线，KIRI 5.1 的实时重打光和 luma.gl 的 WebGPU 渲染器直接影响工作流怎么搭。

💬聊聊：水下重建、物理约束、压缩分发、Blender 工具链，哪个方向离你的工作最近？留言区聊聊 👇

🛠 顺手安利 · 关于 3DGSFlow

本文作者开发的免费在线 3DGS 编辑器，支持多模型融合编辑、一键校准、体积裁剪、物品展览配置，还能基于 Spark 引擎导出网页包。浏览器打开即用，无需注册。与此同时，3DGS 本地训练工具现已开放内测，可在官网下载体验。

说明：本文为公开信息整理，尊重原作者知识产权，不构成任何技术或投资建议。收录范围 2026.08.23–08.29，论文附 arXiv 编号可查证；工具动态以官方发布为准。

本文由作者主导选题与编辑，AI 工具协助资料整理与措辞排版。