TriSplat 提出新 3D 重建架構：跳過高斯轉網格，單次前向直出遊戲級 3D 模型

現在用 AI 從圖片生成 3D 模型已經不算新鮮事，高斯潑濺（3DGS）渲染出的畫面也足夠驚豔。但只要你試過把這些資產塞進遊戲引擎，就會發現問題所在：那些飄在空中的高斯橢球看著真實，物理引擎卻根本不認識它們，做不了碰撞檢測，也做不了物理模擬。

想在遊戲裡用，開發者通常得做一步昂貴的「後處理」，把高斯轉成傳統的三角形網格。這不僅速度慢，模型表面還經常坑坑窪窪，徹底抵消了前向生成演算法的速度優勢。

研究團隊提出了名為 TriSplat 的前向 3D 重建網路。它直接換掉了底層的幾何邏輯，不用高斯基元，而是直接用有方向的三角形基元去表徵場景，最快 1.2 秒就能輸出可用的網格模型。

扔掉高斯球，直接用三角形拼世界

TriSplat 的想法很直接：既然下游引擎最終只認三角形網格，為什麼不一開始就直接預測三角形？

但這在技術上並不容易。三角形有明確的法線和邊界，如果讓神經網路直接盲猜三角形的朝向，很容易導致面片亂飛、表面破碎。特別是在無相機位姿的稀疏視角下，難度更大。

TriSplat 的解法相當聰明。在接收無標籤輸入影像並結合 DINOv2 特徵後，網路首先預測區域性 3D 點圖，再從點圖中推匯出幾何法線，接著利用影像條件法線頭進行校準，最終轉化為穩定的區域性座標系來定位三角形。

為了讓訓練更平穩，研究團隊還引入了單目法線引導機制，並配合不透明度與模糊排程，在訓練過程中逐步收緊表徵，讓模糊的三角面最後嚴絲合縫地貼合在物體表面。

在 RealEstate10K 和 DL3DV 資料集上的測試表明，TriSplat 在保持優秀的新視角渲染畫質的同時，幾何還原度明顯超過了基於高斯的前向基線模型。

為什麼重要

我們認為 TriSplat 最聰明的地方，在於它沒有在「怎麼把高斯轉成網格」這條老路上死磕，而是乾脆從源頭重構了基元表達。

對遊戲開發者和具身智慧研究者來說，這一步跨越非常實在。過去的很多 3D 生成模型只能看、不能碰，而 TriSplat 輸出的三角形天然相容現有的圖形渲染管線，1.2 秒出模後就能直接拖進 Unreal 引擎，掛上碰撞箱跑物理模擬。

對於需要海量合成場景來訓練機器人的具身智慧領域，這種端到端直出網格的吞吐速度，可能會讓場景生成的邊際成本大幅下降。

不過目前來看，從幾張稀疏圖片直接推測複雜拓撲結構，在極端遮擋或超精細邊緣處依然面臨挑戰。但它至少證明了一件事：在追求視覺真實感的同時，AI 生成 3D 資產完全不需要以犧牲物理可用性為代價。