MarginalGS：原生高分辨率 3D 高斯重建中的表示条件化近似

基于摘要分析。本文研究原生高分辨率多视角图像的 3D 高斯重建：细文字、边界和表面外观带来空间不均匀的近似需求，统一增加表示容量可能造成低效扩张。MarginalGS 通过表示条件化容量分配与混合支撑设计，将新增容量及原生分辨率监督集中到预期能够降低误差的区域。 核心机制：作者将全局高斯表示建立后，区域近似需求与已分配容量之间的不匹配定义为“区域级表示失衡”。方法估计局部增容能否减少误差，而非均匀扩张表示。对于细化后的图元，使用 Eckart–Young–Mirsky（EYM）误差量化秩 2 约束下的协方差失真，并依据分辨率与可靠性选择支撑。混合表示旨在控制细化导致的图元增长，同时保持重建保真度；具体收益估计、支撑切换规则与优化流程尚未验证。 结果与证据边界：作者报告，在四个高分辨率真实场景数据集上，MarginalGS 在每个数据集均取得对比方法中最高的 SSIM 与 ROI PSNR，全图 PSNR 具有竞争力，且总内存最低。摘要未提供数据集名称、具体数值、对照方法及内存计量范围，不能据此量化优势，也不能混同 ROI 与全图评估。实验协议、消融及统计信息尚未验证。 本文主要贡献属于多视角 3D 场景表示与重建，并非 EEG/BCI 方法。当前材料未建立其高斯图元容量分配、几何协方差约束与神经信号建模之间的具体对应关系，因此不据此推断 BCI 有效性或提出迁移实验。