Luma AI、Aholo 、Scaniverse、KIRI 等消费级 3DGS 应用的出现，已经说明 3D Gaussian Splatting 正在走向普通用户。用户拿起手机，就希望把物体、房间，甚至完整空间，变成可漫游的 3D 内容。
但如果想要效果够好，3DGS 就需要精确的位姿约束，否则效果会大打折扣：
左右滑动查看。图 1：某 APP 生成画面｜图源小红书；图 2：墙体弯曲；图 3：墙面鼓包。
这些 badcase 看起来像是 3DGS 渲染没有优化好，但本质上，往往是位姿与几何信息不够准确。
过去，解决这类问题最稳妥的方式是上 LiDAR 。LiDAR 能提供精确的位姿约束，在一定程度解决上述问题，即使在高难度视觉环境中，也能解算出足够鲁棒的位姿和几何，让 3DGS 优化收敛到更高质量的场景表达。
但这也意味着更高的硬件成本、更重的采集流程，以及更难进入大众消费级场景。
近期， ECCV 2026 结果公布，Realsee 团队的成果 Argus: Metric Panoramic 3D Reconstruction for Indoor Scenes 成功入选。它面向室内全景图像，能够从稀疏、无序的全景照片中，直接预测相机位姿、度量深度和点云重建结果，可以为 3DGS 提供更稳定、更精准的几何约束。
Argus 论文地址：https://argus-paper.realsee.ai
如视的这项研究说明：未来可落地的 3DGS 重建，不再一定需要 LiDAR 来提供精确位姿。只要有手机或全景相机拍摄的图像，再通过如视 Argus 获得高质量位姿和度量几何，就可以让 3DGS 进入更轻量、更低成本、更大众化的采集时代。
先看效果：传统 SfM vs 使用如视 Argus
可以把如视 Argus 理解成 3DGS 前面的 “几何校准器”。
使用传统 SfM（左）VS 使用如视 Argus（右）。字迹、物体细节等效果显著提升
3DGS 通常依赖传统 SfM 来计算位姿和初始几何。遇到弱纹理、重复纹理、全景畸变、多房间连接等场景时，容易出现：
相机轨迹漂移；
墙体、门洞、家具边缘错位；
高斯点云局部堆叠或肿胀；
新视角漫游时出现闪烁和重影。
在稀疏采集视角下，甚至会因为匹配不足导致位姿崩溃，无法生成 3DGS。
经过如视 Argus 处理后，系统可以先获得更稳定的图像位姿、度量深度和点云结构，再将这些结果作为 3DGS 优化的初始约束 —— 最终效果会更接近 “空间级重建”，而不只是 “图片级拟合”。
再看数据：如视 Argus 位姿与几何精度显著领先
在 Realsee3D 基准测试中，如视 Argus 在相机位姿、深度估计和点云重建上取得了 SOTA（state of the art) 级表现。
以相机位姿为例，论文给出了 如视 Argus 与 VGGT360、MapAnything360、π3D360 等方法的对比。和支持度量预测的 MapAnything360 相比，如视 Argus 在真实子集上将 ATE 从 0.134 降至 0.096，在合成子集上从 0.087 降至 0.027。
Argus VS VGGT360、MapAnything360、π3D360
也就是说在真实室内场景中，如视 Argus 的全局位姿误差比 MapAnything360 降低约 28%；在合成场景中，误差降低约 69%。
对于常见居住室内环境而言，在如视积累的全量数千万数据上训练后，误差更是低至 2.5cm，与常见 LiDAR 2cm 的误差已经非常接近。
另外，借助合成数据，如视 Argus 模型还能避免 LiDAR 常见的多回波拖尾问题，以及玻璃、镜子、黑色物体测距不准带来的噪声或数据缺失。
对于 3DGS 来说，这类提升非常关键。位姿误差降低，不只是指标变好，而是直接影响最终效果：墙面更直、边界更锐、物体更少重影、漫游时空间更稳定。
从激光扫描到自由拍摄，空间重建正在换挡
如视 Argus 入选 ECCV 2026，不只是一次论文成果发布，更像是一个行业信号：3D 重建正在从 “设备驱动” 走向 “模型驱动”。过去，精准空间重建依赖专业硬件；现在，大模型开始学习硬件背后的几何能力。
对如视自身来讲，依托超 6000 万真实三维空间场景数据库，随着数据量、场景类型和训练样本持续增加，如视 Argus 模型对复杂空间的理解能力也会持续提升。
在未来，产品级 3DGS 将会有机会从重设备、重流程的专业采集，走向更轻量、更低成本、也更容易规模化的空间重建方式。
如视 Argus 展示的，正是这个方向的第一步：用图像重建真实世界，用精准位姿约束 3DGS，让产品级 3DGS 从专业设备时代，迈向普通用户也能参与的自由拍摄时代。
点击阅读原文，查看论文。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com
