NOVELTY_AND_RELATED_WORK：相关工作与新颖性核查（2026-10-15）
核查方法
- 一个子代理检索并打开了 40 多篇论文的原始页面（arXiv 摘要或全文、CVF 页面、项目页），完整 URL 清单见文末。没能打开原文的标"未核实"。
- 我又亲自抽查了与候选方向最接近的 4 篇的摘要页：Diff3R、DoubleTake、Invisible Stitch、CUT3R，结论与子代理一致。
- 检索不保证穷尽。
逐篇要点（只列与本项目有直接关系的）
| 论文 | 年份 / 会议 | 已占据的技术点 | 与本项目的区别 | 是否需要直接比较 |
|---|---|---|---|---|
| DepthSplat（arXiv 2410.13862） | 2024 / CVPR 2025 | 单目特征 + 多视代价体估计深度，前馈生成高斯 | 只用 RGB，没有测量深度，没有 TTT，没有 R7 读出 | 是（本项目的基座；前馈渲染作下限，即 SYS_B） |
| SplaTAM（2312.02126） | 2023 / CVPR 2024 | RGB-D 3DGS SLAM：测量深度播种高斯；累计不透明度阈值界定可靠区域；跟踪损失为深度 L1 + 0.5 颜色 L1 | 逐帧 SLAM，没有前馈先验，不在无图像的查询视读出 | 是：可以直接用测量深度播种，再跑同样的优化作对照 |
| InstantSplat（2403.20309） | 2024 / 会议未核实 | MASt3R 初始化，用逐点置信度调节学习率，联合优化位姿 | 无位姿稀疏 RGB，目标是新视角合成 | 否 |
| Diff3R（2604.01030） | 2026 / arXiv | 训练时嵌入可微的 3DGS 优化层，学适合 TTO 的初始化；用数据驱动的不确定性限制欠约束区域的参数变化 | 摘要不涉及深度输入或深度评测；"以 DepthSplat 为基座"出自子代理读的全文，摘要未写明 | 是（如果主张"不确定性感知的 TTO"） |
| DoubleTake（2406.18387） | ECCV 2024 | 把已有几何渲染成当前视的深度提示，附带置信度，与代价体融合；无提示的像素显式标记 | 当前视需要 RGB；可信度只来自已有几何 | 是（"提示 + 置信度 + 无覆盖标志"是学习式融合的直接对照） |
| Merrell et al. 2007（ICCV） | 2007 | 基于可见性和自由空间冲突的逐像素深度图融合与选择 | 非学习，参考视有图像 | 可选（候选 A 的非学习基线） |
| Curless & Levoy 1996（SIGGRAPH） | 1996 | 加权 TSDF；unseen / empty / near-surface 三态，在交界处补洞 | 离线体素融合 | 可选（作为 R7 的经典替代） |
| GAVIS（2605.30342） | CVPR 2026 | 每个高斯相对训练视图的可见性场，得到新视图的不确定性；指出"训练视图没看到的区域不可靠" | 用于主动建图 | 是（如果走测量支持方向） |
| FisherRF（2311.17874）、VarSplat（2603.09673） | ECCV 2024；CVPR 2026 | 高斯的参数不确定性 / 外观方差，渲染出像素级不确定性 | 不做深度融合读出 | 可选 |
| NLSPN、CompletionFormer、Eldesokey 2020、Dense Depth Priors | 2020–2023 | 深度补全，并输出置信度或不确定性 | 需要目标视的 RGB | 可选 |
| Prompting Depth Anything（2412.14015） | CVPR 2025 | 以低成本 LiDAR 作提示，在 ARKitScenes 上达到 SOTA | 需要目标视的 RGB 与 LiDAR | 可选（同数据域的强先验） |
| Infinite Nature、3D Photography | 2020–2021 | 学习填补新视图的去遮挡区域（RGB + 视差） | 单图、生成式 | 否，但必须引用 |
| Invisible Stitch（2404.19758） | 2024 / 会议未核实 | 学习式深度补全，用于把新生成的帧与已有场景几何一致地融合；全文说明以投影的已有几何为条件，并用扭曲得到的掩码训练 | 新视图 RGB 由扩散模型生成 | 可选（与"未覆盖修正"机制上最近） |
| CUT3R（2501.12387） | 2025 / arXiv（CVPR 2025 据项目页） | 持久状态随数据流更新，可在未观测的虚拟视角读出点图 | 只输入 RGB，不注入测量深度 | 是（任务层面最接近） |
| DeFiNe、MVGD、Z3D | 2022–2026 | 任意或未来视角的深度预测，或新视角深度合成 | 输入 RGB，生成式或隐式表示 | 可选 |
| SenFuNet（2204.03353）、Marin et al. 2016 | ECCV 2022；ECCV 2016 | 学习传感器特有的可靠度，做置信度加权的多源深度融合 | 融合的都是实测源 | 可选（候选 C 必须比较） |
| Kuleshov et al. 2018；协方差交叉 | ICML 2018；1990 年代 | 回归的事后校准；相关性未知时的一致融合 | 通用方法 | 可选（候选 C 必须比较） |
不能再使用的创新主张
- 在没有目标图像的查询视或未来视预测深度：DeFiNe、CUT3R、MVGD、Z3D。
- 用累计不透明度阈值界定高斯的可靠区域；以"深度 L1 + 0.5·RGB L1"优化高斯：SplaTAM。Core B 的 TTT 损失与它形式相同。
- 对前馈高斯做测试时优化，并用不确定性约束欠约束区域：Diff3R。
- 把已有几何渲染成带置信度的提示，并显式标记无覆盖像素：DoubleTake。
- 用可见性、遮挡、自由空间冲突逐像素判定深度；unseen / empty 三态：Merrell 2007；Curless & Levoy 1996。
- 基于可见性的未见区域不确定性；高斯的像素级不确定性：GAVIS；FisherRF、VarSplat。
- 学习填补新视图去遮挡区域的深度；以投影几何为条件的深度补全：Infinite Nature、3D Photography、Invisible Stitch。
- 置信度驱动的多源融合；传感器特有的可靠度；事后统计校准；相关性未知下的融合：Marin 2016、SenFuNet、Kuleshov 2018、协方差交叉。
- 深度补全同时输出不确定性：NLSPN、Eldesokey 2020、Dense Depth Priors。
- 把 64 箱表称为"卡尔曼滤波"或"无学习"：两者都不成立，它是统计标定的权重表。
对三个候选方向的判断
- A（测量支持感知的读出）：
- 概念早在 2007 年就有（Merrell、Curless & Levoy），DoubleTake 和 GAVIS 也已占据相近的点。
- 现有 64 箱表已经包含分歧、α 和 near7 三类支持信息，只带来约 2%。
- 新意空间小。
- B（跨视角一致的共享修正）：
- 在核查范围内，没有找到"流式 RGB-D + 无图像查询视 + 用到达测量自监督的 3D 共享修正"完全一致的组合，空间相对最大。
- 但每个组成机制都已被 Invisible Stitch、SG-NN、Diff3R、CUT3R 占据，新意只能来自组合和实证；必须同时显示查询视的精度和跨视一致性的收益。
- C（相关误差的可靠度融合）：只有一种传感器（iPad LiDAR），跨传感器的核心主张目前无法检验，最容易落空。
最终选择哪个方向，还取决于 Phase 1–2 的结果，见 NEXT_METHOD_PROPOSAL.md。
打开过的 URL
- 子代理打开的 arXiv 摘要页：2410.13862、2312.02126、2403.20309、2311.17874、2312.12337、2403.14627、2605.30342、2403.18476、2603.09673、2001.04388、2204.03353、2406.18387、1704.03489、2007.10042、2304.13030、2006.03349、2112.03288、2412.14015、2004.15021、2012.05901、2501.18804、2207.14287、2107.02791、2403.06912、2311.13398、2312.06741、2312.10070、2510.08575、2604.01030、2206.08355、2509.16863、2012.09855、2004.04727、2404.19758、2404.11613、1912.00036、2609.04174、2011.14398、2609.30056、2501.12387、1807.00263、2006.09348。
- 子代理打开的其他页面：arXiv HTML 全文（2410.13862、2312.02126、2403.20309、2406.18387、2604.01030、2404.19758、2609.30056），ar5iv（2206.08355、2012.09855），instantsplat.github.io，FisherRF、pixelSplat、Robust-CVD、MVGD、DeFiNe、DS-NeRF、Infinite Nature、Invisible Stitch、CUT3R 的项目页，graphics.stanford.edu/papers/volrange，mlanthology（Merrell 2007、Marin 2016），以及 Wikipedia 的 Covariance intersection 条目。
- 我抽查的页面：arxiv.org/abs/2604.01030、2406.18387、2404.19758、2501.12387。