PocketSplat：通过世界空间潜在容量分配实现移动端 Gaussian 重建

基于摘要分析。PocketSplat 面向移动端三维 Gaussian 重建，同时约束重建模型的设备资源开销与输出 Gaussian 资产的表示规模，提出按预设输出预算构建资产的前馈框架。其贡献是将候选表示的空间组织、容量分配与完整属性解码分开，使输出规模不再仅由输入分辨率和视图数量隐式决定。 机制上，PocketSplat 将密集、具有几何感知能力的潜在候选组织到预测的世界空间中，在局部潜在单元之间分配精确的整数容量，仅对保留候选解码完整 Gaussian 属性。Cell-conditioned latent fusion 在解码前聚合多视图中的重复证据，spatial responsibility decoding 则在局部稀疏化后调整 Gaussian 的空间支撑范围。摘要未给出这些模块的具体实现、训练目标及预算约束的实现细节。 作者报告，在 DL3DV 与分布外基准上，相较前馈 Gaussian 重建基线取得较好的质量—预算权衡。在 Mip-NeRF 360 上，作者报告 PocketSplat 可直接运行于目标 iPhone，构建紧凑且质量更高的 Gaussian 资产，速度显著快于可部署的流式 MVSplat 变体；原生 MVSplat 与 DepthSplat 则超出该设备的内存预算。摘要未提供具体设备型号、质量指标、耗时、内存数值或资产预算，不能据此量化优势，也不能将流式变体与原生基线视为相同部署条件。 该研究的主要对象是移动端三维场景表示与重建，并非 EEG 或 BCI。现有材料不足以建立具体的神经信号方法对应关系，不据此推断 BCI 有效性。实验划分、输入视图配置、消融及统计信息尚未验证；复现还需核对设备与运行环境、预算设定、基线部署方式及实现可用性。