EXP-3D-RGBD-DEPTHSPLAT-TTT-ABLATION-V1：TTT 的收益来自学到的基座，还是只来自高斯表示加测试时优化？
本文件即预注册（草稿；锁定时间与哈希见 preregistration.json）。
1. 背景与问题
EXP-3D-RGBD-DEPTHSPLAT-JEPA-TTT-V1 的 Core B（FRESH78，78 个场景）结论：
- TTT 相对只缓存： 在发布版 DepthSplat 对 7 帧 RGB-D 生成的高斯状态上做 100 步测试时优化，ALL AbsRel 从 0.148 降到 0.118（+0.030，73/78 场景变好，SUPPORTED）。
- TTT 相对 7 帧无模型重投影（0.175）： 均值好 0.057，但只有 54/78 个场景变好（PARTIAL），收益全部在已测区域（NEAR7）。
那个实验没有回答：这里起作用的是 DepthSplat 学到的先验，还是任何"从测量直接生成的高斯 + 同样的测试时优化"都能做到？换句话说，一个没有网络的高斯状态做同样的 TTT，能否达到同样效果？如果能，那么 TTT 的收益属于经典的逐场景 3DGS 拟合，与"学到的场景状态"无关。
2. 臂（全部在 FRESH78 上，episode、流帧、查询与 V1 完全相同）
- NV（无网络高斯）： 每个有效测量像素（256×320 输入网格，与注入 DepthSplat 的测得平面深度相同）对应一个各向同性高斯。
- 位置：沿 DepthSplat 自己的归一化针孔相机的像素中心射线，放在测得深度处。
- 标准差：c × 该深度处的像素足迹（z / 以像素计的焦距）。
- 不透明度：o。
- 颜色：像素 RGB 作为 SH DC 项。
- NV 的臂：
- NV_CTX：3 帧上下文；
- NV_CACHE：3 帧上下文加 4 帧流；
- NV_TTT：在 NV_CACHE 上运行
ds_eval.ttt，目标、参数、基准学习率和步数（100）都与 V1 的 ZS_TTT 完全相同，步长倍数为 m_NV。
- 对照： V1 已封存的 ZS（发布版 DepthSplat）的 CTX、CACHE、TTT（m = 1），以及无模型的 REPROJ7_HARMONIC。直接引用 V1 的封存，不重新计算。
3. 开发阶段（只用 DEV，锁定前；记录见 development/）
- c 的选择： o 固定为 0.95，准则是 DEV 上 NV_CACHE_F7 的 ALL AbsRel 最低。
- 原定网格 {0.5, 1, 2} 选出 0.5（0.1316、0.1517、0.2009），落在网格边界上。
- 于是把网格往下扩展到 {0.0625, 0.125, 0.25}：0.0625 为 0.1233，0.125 为 0.1237，0.25 为 0.1254。
- 到 c ≤ 0.125 已经基本走平。原因是光栅化器给每个投影后的高斯加了 0.3 像素² 的低通，足迹由它决定，c 再小也没有区别。
- 取 c = 0.0625，代表"点状高斯"的极限。各 c 的覆盖率几乎相同（ALL 约 0.79–0.83）。
- m_NV 的选择： 在 c = 0.0625 上从 {1, 3, 10} 中选，准则是 DEV 上 NV_TTT_F7 的 ALL AbsRel 最低。结果为 0.1157、0.1209、0.1608，选 m = 1（
nv_selection.json）。V1 中 ZS 的 m 也是这样在 DEV 上选出来的，所以对两者公平。- 在 c = 0.5 上的同样网格也选出 m = 1：0.1316、0.1507、0.1732。
- DEV 上的开发信号（只作参考，DEV 只有 8 个场景）：
- 不做 TTT： NV_CACHE（c = 0.0625）为 0.1233，比 ZS_CACHE（0.1294）好。
- 做 TTT（m = 1）： NV_TTT 为 0.1157，ZS_TTT 为 0.1103，ZS 更好。
- c = 0.5 时： TTT 对 NV 的 ALL 没有作用（0.1316 → 0.1316）。NEAR7 变好，FAR7 变差（0.280 → 0.322）。
4. 主检验
主检验用 V2 gate；统计用场景 bootstrap，10,000 次，种子 20260928。
| 编号 | 对比（> 0 表示右边更好） | 区域 | 含义 |
|---|---|---|---|
| P1 | NV_TTT_F7 − ZS_TTT_F7 | ALL | 在同样的 TTT 下，学到的基座是否比无网络高斯更好 |
| P2 | NV_CACHE_F7 − ZS_CACHE_F7 | ALL | 不做 TTT 时，学到的基座是否更好 |
分支：
- LEARNED_BASE_MATTERS： P1 通过。学到的基座在 TTT 之后仍有优势。
- TTT_IS_GENERIC： P1 的 95% CI 跨 0，且 NV_TTT 相对 NV_CACHE 的收益（P3）通过。TTT 的收益不依赖学到的基座。
- NAIVE_BETTER： P1 的 CI 上界 < 0。
- 其余： INCONCLUSIVE。
5. 次要分析（只给标签）
- P3： NV_CACHE_F7 − NV_TTT_F7（ALL），对无网络高斯做 TTT 的收益。
- P4： REPROJ7_HARMONIC − NV_CACHE_F7（ALL），无网络的高斯渲染对比 1 像素 z-buffer 重投影。
- P5： REPROJ7_HARMONIC − NV_TTT_F7（ALL）。
- P6： P1 在 NEAR7 与 FAR7 上的版本。
- 各读出的均值与覆盖率。
6. 已知的事与局限
- 在锁定之前，我已经看过 V1 的 Core B 结果（ZS 各臂与 REPROJ7）。本实验新增的只有 NV 各臂。NV 的设置只在 DEV 上选择，FRESH78 上的 NV 结果在锁定前没有任何计算。
- FRESH78 已被 V1 使用过，本实验不是在新数据上的确认，而是同一队列上的预注册消融。
- 读出与 V1 相同：深度 = (depth_z / α) / cos，只在 α ≥ 0.5 处使用，其余像素用 REPROJ7_HARMONIC。