DiagSplat · NTF-v2 six-way ablation · 9 August 2026

Identity 修好了；高噪声更强了。
但“减少错误 GS”只解释了一部分结果。

RawNeRF sharpshadow，31 train / 5 clean held-out test，30k iterations。六条不同 loss 路线先在 x0/x64 筛选，再自动选择两种补跑 x4/x16。最稳妥的是 confidence-linear：x0 只差 0.11 dB，x16 和 x64 分别超过 Vanilla 0.54 / 1.22 dB。Adaptive checkpoint 的 x64 达到 28.07 dB，但此时 α=1、loss 与 NTF-v1 相同，0.29 dB 的 checkpoint 差距不能算新算法增益。

6 diverse objectivestwo-stage automatic queuecamera-linear clean testconfidence x0: −0.11 dBadaptive x64: +1.96 dBsingle-run variance remains

Clean-control · confidence−0.11 dB唯一通过预设 ≤0.2 dB 门槛

Mid-noise · confidence x16+0.54 dB同时改善 SSIM 与 LPIPS

High-noise · NTF family x64+1.96 dBAdaptive α=1，与 NTF-v1 同 loss

Queue runtime39m 58s12 screening + 4 selected runs

训练与测试数据单独查看

数据页包含四档训练噪声的视角切换与全部 held-out clean test views。本页所有方法均使用同一 split、相机、30k budget 和直接 camera-linear evaluator。

Open data page ↗

四条核心结论

Confidence 是当前最稳候选

它完全不使用 asinh，只在线性域降低低 SNR 像素权重。x0 基本保持，x16/x64 开始稳定超过 Vanilla，证明“知道哪些观测不可靠”本身就有效。

Adaptive 的价值在中间噪声

x64 时 α=1，与 NTF-v1 是同一 objective，不能把 checkpoint 差距算作方法增益。真正的新证据是 x16 从 NTF-v1 的 −1.49 dB 修复到 −0.13 dB；但 x4 仍说明 gate 开启太早。

Gaussian 机制不是统一解释

Adaptive 减少 tiny/extreme-needle/low-opacity 尾部，但 Confidence 提分时 GS 从 185k 增至 239k，形状尾部也几乎不变。因此不能宣称所有收益都来自“减少错误 GS”。

x0 需要多 seed

六个 v2 模式在 x0 都走完全相同的 Vanilla loss，但最终 PSNR 仍跨越 27.26–27.88 dB。CUDA atomics 与离散 densification 会放大微小非确定性，单次 clean gate 不足以定论。

第一阶段：六种路线的 x0 / x64 筛选

Method	x0 PSNR	x0 Δ	x64 PSNR	x64 Δ	x64 SSIM	x64 LPIPS	Selection
Vanilla 3DGS	27.990	—	26.110	—	0.8387	0.2567	reference
NTF-v1 asinh	21.728	−6.262	27.779	+1.669	0.8676	0.1800	previous method
Adaptive blend	27.259	−0.731	28.072	+1.961	0.8700	0.1876	selected #2
Additive anchor	27.645	−0.345	26.856	+0.746	0.8464	0.2513	reject
Frequency split	27.579	−0.411	27.394	+1.284	0.8306	0.2246	reject: GS explosion
Confidence linear	27.880	−0.110	27.331	+1.221	0.8446	0.2456	selected #1
Curriculum	27.493	−0.497	26.560	+0.450	0.8599	0.1849	reject: late noise return
Variance deadzone	27.287	−0.703	27.159	+1.049	0.8385	0.2562	reject: weak perceptual gain

Δ 相对现有 Vanilla checkpoint。自动筛选规则优先选择 x0 drop ≤0.2 dB 的方法；不足两个时使用带 clean penalty 的 fallback score。Adaptive 是 fallback 入选。由于 x0 loss 完全相同但训练非确定，clean 差异必须用多 seed 复核。Adaptive x64 的 α=1，与 NTF-v1 objective 相同，因此 28.072 vs 27.779 是重复训练波动，不是 v2 对 v1 的公平算法增益。

第二阶段：两种候选的完整 noise sweep

Noise	Method	PSNR ↑	ΔPSNR	SSIM ↑	ΔSSIM	LPIPS ↓	ΔLPIPS	Gaussians
x0	Vanilla	27.990	—	0.8952	—	0.2354	—	215,040
	NTF-v1	21.728	−6.262	0.8609	−0.0344	0.2223	−0.0131	191,648
	Confidence	27.880	−0.110	0.8982	+0.0030	0.2325	−0.0029	208,069
	Adaptive	27.259	−0.731	0.8919	−0.0033	0.2387	+0.0033	188,761
x4	Vanilla	28.269	—	0.8933	—	0.2385	—	189,358
	NTF-v1	22.868	−5.401	0.8750	−0.0182	0.1878	−0.0508	254,935
	Confidence	27.321	−0.948	0.8919	−0.0014	0.2395	+0.0010	219,508
	Adaptive	25.051	−3.218	0.8885	−0.0048	0.2245	−0.0140	113,895
x16	Vanilla	27.712	—	0.8840	—	0.2407	—	196,779
	NTF-v1	26.226	−1.486	0.8912	+0.0071	0.1720	−0.0687	236,104
	Confidence	28.253	+0.541	0.8888	+0.0048	0.2354	−0.0053	207,307
	Adaptive	27.580	−0.132	0.9010	+0.0169	0.1894	−0.0513	181,323
x64	Vanilla	26.110	—	0.8387	—	0.2567	—	185,472
	NTF-v1	27.779	+1.669	0.8676	+0.0288	0.1800	−0.0767	175,689
	Confidence	27.331	+1.221	0.8446	+0.0058	0.2456	−0.0111	239,418
	Adaptive	28.072	+1.961	0.8700	+0.0313	0.1876	−0.0690	198,000

Confidence − Vanilla PSNR

−0.11

−0.95

x16

+0.54

x64

+1.22

Adaptive − Vanilla PSNR

−0.73

−3.22

x16

−0.13

x64

+1.96

最重要的形状：Confidence 从 x16 开始超过 Vanilla；Adaptive 的 gate 将 NTF-v1 在 x16 的 −1.49 dB 修复到 −0.13 dB，但 x4 的 α≈0.27 仍然过强。下一版应把 x4 基本设为零、x16 部分开启、x64 完全开启。

视觉对比

选择 noise 与 held-out view。x0/x64 包含全部六种方案，x4/x16 展示两种入选方案。点击放大。

NoiseView

x64 肉眼观察

Vanilla 在屋顶、树冠和左侧阴影出现大面积拖影与跨结构扩散。
Adaptive 明显恢复建筑立面和车辆轮廓，但树冠仍是低频团块，并残留少量彩色 speckle。
Confidence 的高光/暗部拖影比 Adaptive 更明显，符合其较弱的 x64 SSIM/LPIPS。
Frequency split 产生密集高频纹理和色斑，数值与 560k GS explosion 一致。

不是“只靠模糊”

Adaptive x64 edge PSNR：20.13 → 21.98 dB，提升 1.85 dB。
Adaptive x64 flat PSNR：31.41 → 33.69 dB，提升 2.28 dB。
Confidence x64 edge / flat PSNR 分别提高 1.01 / 1.80 dB。
因此高噪声收益覆盖真实边缘与平坦区域，但视觉上仍需专门解决树叶等高频结构。

Gaussian 机制：支持什么，不支持什么

x64 Method	PSNR	Edge PSNR	GS count	Tiny %	Aspect >20 %	Opacity <.05 %	Interpretation
Vanilla	26.110	20.131	185,472	0.690	91.97	48.24	reference
NTF-v1	27.779	21.851	175,689	0.938	88.74	31.56	coarser / more opaque representation
Adaptive	28.072	21.981	198,000	0.119	88.79	40.65	shape tail improves; count does not fall
Additive anchor	26.856	20.808	166,611	0.250	91.06	48.45	fewer GS, modest quality gain
Confidence	27.331	21.146	239,418	1.334	91.73	47.10	quality gain without geometry cleanup
Curriculum	26.560	20.569	282,791	0.162	90.44	45.26	late linear stage regrows complexity
Frequency split	27.394	21.497	559,960	4.445	90.96	55.94	clear pathological densification
Variance deadzone	27.159	21.258	123,030	0.670	90.62	45.13	smallest model, not best image

Tiny threshold 固定为 clean x0 Vanilla geometric scale 的第 1 百分位。Aspect>10 在 clean baseline 已覆盖约 95% GS，因此不是有辨别力的“错误 GS”定义；表中改用更严格的 Aspect>20，但它仍只是 proxy，不能当几何真值。

得到支持

强 asinh/Adaptive 路线减少 extreme aspect-ratio 与低 opacity 尾部，并提高 held-out edge PSNR。
Frequency split 的高频 artifact、GS 爆炸和 tiny tail 同时恶化，形成一致的失败机制证据。
Deadzone 证明减少 GS 数量不等于更高质量。

没有得到支持

“噪声越大，总 GS 一定越多”仍不成立。
“所有有效方法都通过减少错误 GS 工作”不成立；Confidence 是直接反例。
小/细 Gaussian 不能直接定义为错误；需要投影回图像，测它们与 noise residual、跨视图不一致区域的空间相关性。

六种方案逐一判定

1 · Adaptive blend — 保留

它是 NTF-v1 的正确门控版本。x64 与 NTF-v1 同 loss；真正的进步是 x16 已接近 Vanilla。x4 gate 仍过强，下一版只需调整开启曲线。

2 · Additive anchor — 暂停

保留线性项确实稳定了 clean/highlight，但 x64 只有 +0.75 dB，未充分抑制 noisy gradients。

3 · Frequency split — 淘汰

产生 560k GS、4.45% tiny tail 和明显高频色斑。局部 edge loss 在噪声中会直接刺激 densification。

4 · Confidence linear — 主候选

最简单、唯一通过 clean gate，并在 x16/x64 形成正增益。它是后续方法的安全 backbone，也是必须保留的强 ablation。

5 · Curriculum — 当前实现淘汰

LPIPS 很好但 PSNR 弱、GS 增至 283k。15k 后恢复线性且继续优化全部参数，可能重新拟合 noise；若重试应冻结 geometry。

6 · Variance deadzone — 效率 baseline

只有 123k GS，但 SSIM/LPIPS 几乎不改善。可作为“模型变小不等于去噪成功”的机制对照，不作为主方法。

Decision gates 与下一步

Question

Observed

Decision

能否修复 clean collapse？

Confidence x0 −0.11 dB；显式 identity 生效

Yes，需多 seed 确认

x16 / x64 是否都超过 Vanilla？

Confidence +0.54 / +1.22 dB

Yes，首次完整通过

强 NTF 是否保住高噪声优势？

Adaptive x64 +1.96 dB

Yes

x4 是否安全？

Confidence −0.95；Adaptive −3.22 dB

No，gate onset 仍需后移

减少错误 GS 是统一机制吗？

Adaptive 支持；Confidence 反例

Partial，不作单一主 claim

下一版建议：Confidence backbone + late-onset transform

以 linear L1+DSSIM 和 SNR confidence 作为主损失。
只在全局噪声阈值明显超过 x4 时加入 transformed residual：x4≈0、x16≈0.25–0.4、x64≈1。
transformed term 只替换低 SNR residual，不替换全图 SSIM；高光与可靠边缘继续使用线性锚点。
若使用两阶段训练，在 15k 冻结 position/scale/opacity，只恢复 appearance，避免重新 densify。

论文级验证前必须补的实验

Vanilla、Confidence、Adaptive 在 x0/x16/x64 各跑 3 seeds，报告 mean±std。
固定 deterministic seed 仍不够；需记录 densification 轨迹和 final count 方差。
将 tiny/needle GS 投影到训练视角，测其与 synthetic noise residual 的空间相关性。
冻结设计后扩展至少 3 个 RawNeRF scene，再进入 real low-light/caves。

当前判断：项目方向继续。最有价值的新发现不是“六选一”，而是将方法拆成两个互补部件：Confidence 提供低/中噪声安全性，transform 提供极高噪声强度。下一步应组合二者，同时推迟 transform 的开启点。

运行与原始结果

Status	Complete · 2026-08-08 22:30:24–23:10:22 BST · no active process
Training	12 x0/x64 screening runs + 4 selected x4/x16 runs · two RTX 4090 GPUs
Automatic selection	confidence_linear, adaptive_blend
Artifacts	selection.json · mechanism_summary.json · mechanism_summary.csv · experiment design
Storage	Raw run directory ≈2.8 GB; source filesystem had ≈61 GB free after completion.