拂去幻影：面向消隐动态内容的高斯分配 Dusting the Phantom: Gaussian Allocation for Fading Dynamic Content

完整流程分四步。第一步，正常训练 FreeTimeGS 至中点，此时重建误差已能可靠指示欠重建区域。第二步，用固定模型快照为所有训练帧缓存种子：对每个视图 $v$、时刻 $t$ 计算误差图 $E_{v,t}=|I_{v,t}-\hat{I}_{v,t}|_1$ 与动态掩码（当前帧与前后帧灰度差大于 $\tau=20$ 的像素取交集得 $D_{v,t}$），相乘得种子图 $M_{v,t}=D_{v,t}E_{v,t}$；从中采样 $N_{seed}=48$ 像素/视图，选 $C=8$ 个同步视图反投影成射线，对所有跨视图射线对求最近点并保留正深度且距离足够近的对，每条射线取最近有效伙伴，3D种子取中点 $x_{seed}=\frac{1}{2}(q^v+q^{v'})$，按 $\delta$ 升序每帧最多保留 $N_{max}=256$ 个。第三步，暂停重定位并逐帧注入：把可用低不透明度高斯重新初始化到种子处，尺度按估计深度处的像素足迹各向同性初始化，速度用下一帧最近种子的位移粗略初始化，不透明度0.05、时长0.03，每帧做10次优化迭代（计入总预算）。第四步，保持重定位禁用额外 $10\times N_{frames}$ 次迭代让注入基元稳定，然后恢复原调度。TBR 则在每次重定位时执行：先按原策略选捐赠与目标高斯 $g$，检索其在各观测时间戳的平均梯度幅值并归一化为 $P_g(t)$，采样 $t^*\sim P_g(t)$，设 $\hat{\mu}_t=t^*$、$\hat{\mu}_x=\mu_x+v(t^*-\mu_t)$，用支撑半径 $r=d\sqrt{2\ln 10}$ 计算新时长 $\hat{d}$，其余参数沿用 FreeTimeGS 方案。

技术新颖性有三点。其一，『无中生有』的初始化：误差驱动致密化（Rota Bulò et al., 2024）仍从现有基元分裂，LPM 依赖外部特征匹配模型，SpaceTimeGS 需要当前高斯提供深度先验，而本文只用相机参数和多视图射线几何，不需要任何学习出来的对应关系，就能在缺乏支撑的新区域生成新基元。其二，重定位的时间目的地首次被显式建模：此前的动态密度控制（如 SharpTimeGS 的寿命调制、TRIGS 等）用时间线索选择『哪个基元』被回收，但放置时刻是盲的；本文把逐时间戳的梯度信号保留成概率分布并采样，答案从『给谁』扩展到『何时何地』。其三，整个框架不改表示、不增预算、即插即用，在 FreeTimeGS 上只带来约0.22分钟（5.69→5.91分钟）的训练开销，说明收益来自分配效率而非额外算力；与 SPIN-4DGS 等修改表示抗大位移的路线正交，可组合使用。

独立分析四个弱点。第一，动态检测信号脆弱：帧间灰度差分阈值 $\tau=20$ 是手工设定的，运动模糊、曝光变化、阴影都会污染掩码，低对比度快速物体（白色棒球飞过浅色看台）直接漏检——改进方向是引入视频分割基础模型（论文评测已用 SAM3，说明工具可得）或光流幅值作为更鲁棒的动态先验，替换硬阈值差分。第二，射线求交的几何假设敏感：镜头畸变残差、多相机时间同步误差会让跨视图射线对距离 $\delta$ 系统性偏大，导致种子位置偏移甚至被过滤——可用以射线束为单位的鲁棒估计，或引入单目深度网络提供深度先验做加权三角化。第三，两阶段训练的工程复杂度：训练中点暂停、为全部帧缓存种子、冻结重定位 $10\times N_{frames}$ 步，这套流程与流式/在线重建天然冲突，直播类自由视点应用难以直接使用——可探索增量式、滑窗式的注入调度。第四，注入与重定位的基元竞争未被量化：论文没有分析静态区域因低不透明度基元被抽走是否退化，CMU Panoptic 总体 PSNR 提升可能部分掩盖了局部此消彼长——可按误差图动态划分注入与重定位的预算配额。

作者明确提出的方向：替换简单的帧差分动态判据，以检测外观与背景相似的高速物体；在更多样、更高动态的数据集上继续验证。基于本文成果可延伸的方向：其一，把种子图的动态信号升级为学习式运动先验（光流、视频分割、事件相机），让『幻影探测』不再依赖外观变化；其二，把两个策略移植到其他4D表示（4DGaussian、RealTime4DGS、SpaceTimeGS）验证与表示解耦的普适性——论文只在 FreeTimeGS 上验证，而方法理论上不依赖具体表示形式；其三，把时间偏置思想从重定位扩展到初始化与致密化全流程，形成统一的时空分配理论；其四，自适应预算分配：目前总预算固定，若让种子需求驱动预算在时间片段之间再平衡（动态剧烈的时段多分配），可能进一步收益；其五，与 FreeTimeGS++ 的初始化稳定化、SPIN-4DGS 的大位移处理组合，多个正交改进有望叠加。这些方向都不需要改动本文的核心观测机制，工程门槛不高。

复现评估：论文未明确给出开源代码链接，仅有项目页『Dusting the Phantom』，这是复现的最大障碍。数据方面，N3DV（Neural 3D Video）与 CMU Panoptic 公开可得且协议清晰（N3DV 下采样2倍、camera 0 测试；Panoptic 640×360、cameras 0/10/15/30 测试），但自建 Custom 数据集（Baseball/Break，23相机采集）大概率不公开，恢复消失棒球这一最亮眼的定性证据需要自行搭建多相机场景验证。算力非常友好：单张 RTX 4090 24GB 即可完成全部实验，CMU Panoptic 单序列含两策略的训练仅约5.91分钟（50K迭代、50万高斯），N3DV 30K、Custom 100K 迭代。实现细节披露充分：附录 A.2 给出种子图构造（$\tau=20$）、算法1/2伪代码，A.3 给出全部超参（$C=8$、$N_{seed}=48$、$N_{max}=256$、初始不透明度0.05、时长0.03）。若基于可获取的 FreeTimeGS 复现实现，总体复现难度中等，主要工作量在多视图射线求交和两阶段训练调度上。