R1F 最终设置:4 个宿主 × 11 个场景

2026-11-15 · seed 42 · 30,000 步 · 指标为 eval7(sRGB PSNR / LPIPS / CVVDP,和论文同一套显示映射)· R1F = R1 + 前 20% 预筛 + 只对候选做 Bonferroni,一套设置用于所有宿主和场景

结论

1. 各数据集平均

每格是 sRGB PSNR / LPIPS / CVVDP,下面是平均最终 Gaussian 数。3DGS 的 R1F 加了 log colour(toy 的最终设置),另一行是不加 log colour 的对照。Raw3DGS 的 native 是不设上限的版本,在 Dark3R 和 ×64 上会长到几千万个 Gaussian 后退化;论文里用的 100k 上限 native 没有重跑。

宿主方法Dark3R(sRGB PSNR / LPIPS / CVVDP)RawNeRF(sRGB PSNR / LPIPS / CVVDP)RawNeRF ×64(sRGB PSNR / LPIPS / CVVDP)
3DGSR1F22.40 / 0.484 / 8.13
60k GS
22.07 / 0.293 / 8.35
582k GS
19.45 / 0.564 / 6.49
27k GS
R1F(不加 log colour)22.18 / 0.453 / 7.90
30k GS
21.39 / 0.356 / 7.91
252k GS
16.91 / 0.615 / 5.97
21k GS
旧 R122.10 / 0.461 / 7.87
28k GS
20.73 / 0.393 / 7.68
112k GS
18.09 / 0.600 / 5.78
17k GS
native21.68 / 0.491 / 7.53
20k GS
17.99 / 0.694 / 5.22
7k GS
9.30 / 0.822 / 3.99
9k GS
SN22.00 / 0.491 / 7.70
15k GS
16.34 / 0.655 / 5.19
7k GS
16.96 / 0.660 / 5.32
8k GS
SN_G21.91 / 0.492 / 7.68
15k GS
16.64 / 0.647 / 5.29
7k GS
16.51 / 0.662 / 5.41
11k GS
Raw3DGSR1F22.62 / 0.389 / 8.18
140k GS
22.68 / 0.273 / 8.15
526k GS
17.12 / 0.567 / 6.04
85k GS
旧 R122.65 / 0.387 / 8.20
122k GS
22.35 / 0.293 / 8.13
284k GS
17.83 / 0.561 / 6.09
63k GS
native(无上限)仅 4/5 个场景20.31 / 0.347 / 8.03
899k GS
9.22 / 0.944 / 4.87
4,565k GS
SN_G仅 3/5 个场景–仅 2/3 个场景
LE3DR1F23.84 / 0.493 / 8.37
35k GS
23.27 / 0.270 / 8.45
538k GS
20.49 / 0.509 / 6.66
18k GS
旧 R123.82 / 0.495 / 8.37
30k GS
23.29 / 0.310 / 8.24
146k GS
20.47 / 0.511 / 6.56
15k GS
native23.26 / 0.266 / 8.35
1,524k GS
23.18 / 0.278 / 8.44
221k GS
12.55 / 0.972 / 5.82
18,183k GS
SN23.67 / 0.293 / 8.48
1,553k GS
23.14 / 0.290 / 8.33
521k GS
16.10 / 0.741 / 6.27
1,861k GS
LumiR1F23.10 / 0.485 / 8.26
33k GS
21.87 / 0.307 / 8.16
380k GS
19.54 / 0.519 / 6.85
28k GS
旧 R123.09 / 0.486 / 8.25
30k GS
–仅 2/3 个场景
native22.89 / 0.397 / 8.41
933k GS
19.81 / 0.420 / 7.67
417k GS
10.49 / 0.703 / 5.04
163k GS
SN23.12 / 0.478 / 8.34
60k GS
21.17 / 0.413 / 7.33
37k GS
19.76 / 0.548 / 6.39
20k GS
SN_G23.05 / 0.479 / 8.30
54k GS
21.06 / 0.419 / 7.32
34k GS
19.64 / 0.553 / 6.42
18k GS

2. 逐场景:R1F 相对 native

蓝色表示 R1F 更好,红色表示更差,颜色越深差得越多(PSNR 满色为 2 dB,CVVDP 为 0.5,LPIPS 为 0.1)。LPIPS 一行里负数是好的。

宿主指标statuechapelkitchenfireplacearchofficeyuccapianooffice×64yucca×64piano×64胜 / 总
3DGSΔPSNR+0.38+0.63+0.87+1.06+0.65+4.85+2.52+4.87+9.72+9.25+11.4811/11
ΔCVVDP+0.53+0.50+0.74+0.63+0.56+2.81+4.13+2.46+2.08+2.16+3.2511/11
ΔLPIPS-0.054+0.002-0.003+0.005+0.017-0.368-0.469-0.366-0.189-0.210-0.3758/11
Raw3DGSΔPSNR+6.78+13.21+8.95+7.67–+2.78+0.58+3.76+10.07+5.84+7.8010/10
ΔCVVDP+3.12+5.30+4.46+4.30–+0.14+0.18+0.04+1.38+1.11+1.0110/10
ΔLPIPS-0.294-0.587-0.392-0.361–-0.062-0.057-0.103-0.404-0.410-0.31510/10
LE3DΔPSNR+0.66+0.47+0.73+0.90+0.15+0.14+0.02+0.13+8.86+5.49+9.4711/11
ΔCVVDP-0.15+0.15+0.22+0.10-0.22-0.07+0.10-0.01+1.15+0.05+1.347/11
ΔLPIPS+0.294+0.121+0.265+0.287+0.164-0.008+0.013-0.029-0.472-0.461-0.4565/11
LumiΔPSNR+0.25-0.20+0.34+0.45+0.22+2.31-0.43+4.30+9.62+7.23+10.319/11
ΔCVVDP-0.46-0.29+0.03+0.07-0.12+0.10+1.04+0.34+1.86+2.22+1.358/11
ΔLPIPS+0.151+0.059+0.049+0.083+0.099-0.078-0.116-0.147-0.166-0.191-0.1956/11

Raw3DGS 的 native 是 A800 上不设上限的版本(会长到几千万个 Gaussian,每个约 2 小时、58 GB 显存)。为了省时间,arch 的 native / SN / SN_G 当时被移出了 A800 队列,所以这一列只有 10 个场景。R1F 和旧 R1 都是 11 个场景齐全。

3. 逐场景:R1F 相对旧 R1(只换了预筛和 Bonferroni)

宿主指标statuechapelkitchenfireplacearchofficeyuccapianooffice×64yucca×64piano×64胜 / 总
3DGSΔPSNR+0.54-0.10-0.01+0.73+0.32+2.48-0.27+1.82+1.86+0.78+1.468/11
ΔCVVDP+0.12+0.17+0.37+0.31+0.29+0.57+1.27+0.16+0.87+0.58+0.6811/11
ΔLPIPS-0.015+0.033+0.027+0.034+0.038-0.081-0.119-0.101-0.034-0.043-0.0337/11
Raw3DGSΔPSNR-0.11-0.07+0.14+0.05-0.15+0.93-0.79+0.85+0.11+0.01-2.236/11
ΔCVVDP-0.04-0.10+0.04+0.01-0.01+0.09-0.02-0.01-0.02+0.06-0.214/11
ΔLPIPS+0.008+0.007-0.007+0.003-0.002-0.049-0.001-0.010+0.001+0.003+0.0155/11
LE3DΔPSNR+0.00+0.03-0.03+0.06+0.02-0.26+0.32-0.12-0.10+0.33-0.176/11
ΔCVVDP-0.11+0.01+0.02+0.03+0.02-0.06+0.71-0.02+0.06+0.27-0.037/11
ΔLPIPS+0.003-0.009-0.001-0.001-0.003-0.022-0.054-0.044+0.012-0.023+0.0058/11
LumiΔPSNR+0.02-0.12+0.16+0.08-0.08–––+0.78–+0.275/7
ΔCVVDP+0.03-0.02+0.04+0.02-0.03–––+0.07–+0.155/7
ΔLPIPS-0.001-0.001-0.002+0.002-0.003–––-0.010–-0.0046/7

3DGS 的 R1F 带 log colour,旧 R1 没有,所以这一行同时混有两个改动。Lumi 的旧 R1 缺 RawNeRF 和 yucca×64。

4. 质量与 Gaussian 数量

质量与 Gaussian 数量散点图
图 1. 每列一个宿主,三行分别是 sRGB PSNR、CVVDP、LPIPS(LPIPS 纵轴已翻转,越往上越好)。横轴是最终 Gaussian 数,对数刻度。空心灰色是 native,绿色是 SN,橙色是 R1F;形状表示数据集。灰线连接同一场景的 native 和 R1F。向左上走表示用更少的 Gaussian 得到更好的质量。PDF

×64(三角形)上,所有宿主的 native 都在右下角,Gaussian 多、质量差;R1F 都在左上角。Dark3R(圆点)上,LE3D 和 Lumi 的连线在 PSNR 面板上向上,在 LPIPS 面板上向下:Gaussian 少了 30–45 倍,PSNR 略高,但更平滑。

5. 定性对比(和指标同一显示映射)

定性对比
图 2. 每行一个例子,裁剪中心区域,Dark3R 取第一个测试视角。前两行是好例子,后三行是坏例子。

5b. LPIPS 变差的场景:全部对比

LPIPS 比 native 差的场景是:LE3D 的 Dark3R 全部 5 个场景(外加 yucca,差 0.013,可忽略),Lumi 的 Dark3R 全部 5 个场景。3DGS 的 chapel / fireplace / arch 只差 0.002–0.017,没有单独列出。

一个重要发现:Dark3R 的 GT 本身带明显的噪声颗粒(参考帧只比训练帧长 4 倍曝光)。
宿主场景高频能量 / GT(native / R1F)LPIPS 对 GT(native / R1F)LPIPS 对平滑 GT σ=1px(native / R1F)对平滑 GT 时
Lumi-GSstatue0.56 / 0.500.450 / 0.5840.454 / 0.449R1F 更好
Lumi-GSchapel0.61 / 0.490.288 / 0.3540.274 / 0.250R1F 更好
Lumi-GSkitchen0.54 / 0.440.464 / 0.5460.412 / 0.377R1F 更好
Lumi-GSfireplace0.45 / 0.400.439 / 0.5150.323 / 0.310R1F 更好
Lumi-GSarch0.56 / 0.400.384 / 0.5730.414 / 0.393R1F 更好
LE3Dstatue0.65 / 0.470.287 / 0.6210.492 / 0.501native 更好
LE3Dchapel0.63 / 0.530.205 / 0.3200.274 / 0.250R1F 更好

单个测试帧(每个场景的第一个测试视角),和图中同一帧。场景级 LPIPS 见图中标签和第 2 节。

Lumi LPIPS 坏例子
图 3. Lumi-GS · Dark3R 5 个场景。每行从左到右:GT 全图(白框是裁剪区域)、GT 裁剪、native、SN、旧 R1、R1F。白框自动选在结构最多的区域,标签是场景级指标和这一帧的高频能量。
LE3D LPIPS 坏例子
图 4. LE3D · statue 和 chapel,这两个场景本地有 native 渲染。列:GT 全图、GT 裁剪、native、旧 R1、R1F。

LE3D 的 kitchen / fireplace / arch / yucca 的 native 渲染在另一台机器上,下面引用 LE3D 报告里现成的对比图。图中是旧 R1;它在 Dark3R 上和 R1F 指标几乎相同(LPIPS 0.495 vs 0.493)。

LE3D kitchen
LE3D · kitchen(GT / native / SN / 旧 R1)
LE3D fireplace
LE3D · fireplace
LE3D arch
LE3D · arch
LE3D yucca
LE3D · RawNeRF yucca(LPIPS 只差 0.013)

5c. LE3D:native / R1 / R1 + FDR 10%

R1 + FDR 只改一处:把"每轮期望错误出生 ≤ 1"(Bonferroni)换成"出生里错误的比例 ≤ 10%"(Benjamini–Hochberg)。Dark3R 5 个场景平均:PSNR 23.84 → 23.88,LPIPS 0.493 → 0.442,CVVDP 8.37 → 8.49(native 是 23.26 / 0.266 / 8.35),Gaussian 数 35k → 0.31M。office ×64 上没有长爆:36k 个 Gaussian,native 是 2,082 万。kitchen / fireplace / arch / office×64 的 native 渲染不在本机,只标了指标。

LE3D native vs R1 vs FDR
图 5. 每行:GT 全图(白框是裁剪区域)、GT 裁剪、native、R1(Bonferroni)、R1 + FDR 10%。标签是场景级指标。

6. 坏例子

例子数字原因严重程度 / 处理
LE3D · Dark3R 的 LPIPS5 个场景 LPIPS 全部差于 native(均值 0.493 vs 0.266),PSNR +0.6,CVVDP 持平(8.37 vs 8.35)native 长到约 1.5M 个 Gaussian,R1F 约 35k;门控在 Dark3R 上偏保守,细节被平滑最重要。但大部分来自参考图本身的噪声颗粒:对平滑 GT 时差距基本消失(第 5b 节)
Lumi · Dark3R 的 LPIPS / CVVDPLPIPS 0.485 vs 0.397,CVVDP 8.26 vs 8.41,PSNR +0.2同上,native 约 0.9M,R1F 约 33k同上
Raw3DGS · piano×6418.11 dB / 106k,旧 R1 是 20.34 dB / 73k第 5,300 步出现一次集中放行(z 中位数 15,一次长出约 9k 个),属于优化器瞬态骗过门控单场景、单 seed;值得补 seed 确认
Raw3DGS · yucca(RawNeRF)18.44 vs 旧 R1 19.22更多 Gaussian(204k vs 166k)中等
3DGS · yucca×64,不加 log colour10.15 dB,旧 R1 15.343DGS 的颜色截断让通道"死掉",和 Gaussian 数量无关(4.6k vs 3.2k)最终设置用 log colour 已经解决(16.12 dB)
3DGS · log colour 的彩色噪点图 2 office×64 的暗区有彩色斑点log colour 不再截断,少量小 Gaussian 拟合到了噪声颜色指标仍然最好,但图上可见
Lumi · yucca(RawNeRF)PSNR 16.28 vs native 16.70,CVVDP 7.30 vs 6.26PSNR 略低但感知更好轻微

7. 这组实验能不能充分验证方法

8. 数据来源