TL;DR

TokenGS 是一篇来自 NVIDIA 的重磅工作，它打破了当前 3D Gaussian Splatting (3DGS) 前馈重建模型中“一个像素对应一个高斯”的固有模式。通过引入 Learnable Tokens 和 直接 3D 坐标回归，TokenGS 实现了基元数量与输入分辨率的解耦。不仅显著提升了对位姿噪声的鲁棒性，还在动态场景重建和测试时缩放（Test-Time Scaling）上展现出惊人的潜力。

痛点深挖：像素对齐的代价

目前主流的 3DGS 前馈模型（如 GS-LRM, DepthSplat）大多遵循一种“像素对齐”的直觉：将输入图像的每个像素（或 Patch）投影为 3D 空间中的一个高斯点。通过预测深度值，将点锚定在相机射线上。

这种设计虽然直接，但存在三大硬伤：

1. 冗余性灾难：如果你有 32 张 512x512 的图，模型会产生超过 800 万个点。而实际上场景复杂度可能根本不需要这么多点。
2. 几何僵化：点只能在射线上平移，这导致模型对相机的位姿噪声（Pose Noise）及其敏感，且无法补全视野外的物体。
3. 动态性困境：在 4D 视频重建中，物体在运动，固定在像素射线上的点很难自然地处理物体的时空形变。

Methodology：从“射线”中解放出来

TokenGS 的核心哲学是独立性。它抛弃了 Encoder-only 的架构，转向了类似 DETR 的 Encoder-Decoder 结构。

1. 核心架构：Gaussian Tokens

模型不再关心有多少像素，而是定义了 $N_t$ 个可学习的 3DGS Tokens。

• Encoder：提取多视角图像特征。
• Decoder：Tokens 作为 Query，通过 Cross-Attention 从图像特征中采集所需信息。
• Output：每个 Token 吐出固定数量的高斯基元（例如一个 Token 产出 64 个高斯，总共 4096 个 Token）。

2. 坐标直接回归与 Visibility Loss

TokenGS 不再预测深度，而是直接预测 $(x,y,z)$ 绝对坐标。为了解决“若高斯点不在相机视锥内则无梯度”的 0-gradient 问题，作者巧妙地引入了 Visibility Loss。它通过惩罚那些投影在所有已知视角之外的点，强制高斯基元分布在可见场景内。

3. 支持动态场景与场景流 (Scene Flow)

通过引入时间戳 Embedding，TokenGS 分离了静态 Token 和动态 Token，并施加因果掩码（Causal Masking），使得动态点能感知静态背景。这不仅实现了 4D 重建，还意外地产生了高质量的 Scene Flow（场景流自适应检测）。

实验与结果

在 RealEstate10K 等数据集上，TokenGS 即使只使用比基线少得多的高斯点，也能获得更好的 PSNR。

• 鲁棒性验证：当给相机位姿加入误差时，TokenGS 的性能下降远小于传统的像素对齐模型（如下表所示）。
• 测试时缩放 (TTS)：在推理时，用户可以输入比训练时更多的视图，或者通过几步 Token Tuning 优化 Embedding，重建质量会稳步提升。

上图展示了 TokenGS 如何消除像素对齐方法中常见的“尖刺”伪影，生成更规整的几何结构。

深度洞察

TokenGS 的成功证明了 Inductive Bias（归纳偏置） 的重要性。传统的深度图预测赋予了模型太强的先验，但也成为了枷锁。TokenGS 相信 Transformer 本身具备从多视图相关性中推断 3D 空间关系的能力。

总结 (Takeaway)： TokenGS 将 3D 重建从一种“图像处理”任务提升到了“基元生成”任务。它不仅快、稳，而且具备极强的灵活性（通过调整 Token 数量控制效果与开销的平衡）。

局限性 (Limitations)： 目前对于超大规模环境（如城市级）的泛化能力仍有待验证。此外，Token Tuning 虽然有效，但每帧增加的计算开销对于实时性要求极高的场景仍是挑战。