# EXP-3D-RGBD-COMPLETION-SELECTOR-FAR-ARKIT-V1：深度范围选择规则能否推广到远处视角

**结论：FAR_SELECTOR_CONSISTENT。**

- **主检验（P1）：规则推广到了远处视角。** 选择规则（上下文深度范围 S ≥ 1.2 时用学到的补全，否则用调和插值）在同一批 80 个全新扫描的远处视角（第 14、15 帧）上仍然稳定胜过调和插值：
    - FARH AbsRel 从 0.452 降到 0.394；
    - 差值 +0.0577 [+0.0058, +0.1083]；
    - 好/平/差 24/17/12，77% 的场景不变差，SUPPORTED。
- **小载体成立，DepthSplat-JEPA 不成立。**
    - Hypersim 训练的小载体 G1 也成立：+0.058，28/17/8，SUPPORTED。
    - DepthSplat 逆向 JEPA 不成立：JO +0.022、JA +0.042，95% CI 都包含 0。
- **不选择时，四种模型都不成立：** 远处视角上，学到的补全平均只与调和插值打平。
- **增益比近处视角小，机制相同：**
    - 误差降低约 13%，近处视角是 21%；主检验也是勉强通过，CI 下界为 +0.006，不变差比例 77%。
    - 被选中的查询（100 个）：调和插值 0.540，GA 0.460，GA 在 70% 的查询上更好。
    - 未选中的查询（66 个）：0.322 对 0.351，GA 只在 30% 的查询上更好。
    - 场景层面，S 与增益的 Spearman 相关为 +0.40。

**说明：**

- **预注册：** 见 [PROTOCOL.md](PROTOCOL.md)，2026-10-09 11:10:24 锁定，sha256 `62fcff3c…`。
    - 规则、阈值和每个 episode 的 S 都直接沿用 EXP-3D-RGBD-COMPLETION-SELECTOR-ARKIT-V1（S 只取决于上下文，选择器封存逐字节复制）。
    - 这批扫描的第 14、15 帧此前从未被评估过。
- **数据：** ARKIT_SELECT 共 80 个扫描、320 个查询。其中 144 个查询没有上下文命中，53 个场景有 FARH 像素。
- **模型：** 全部冻结。
    - G1、GA：arms 评估器，CPU；
    - JO1–3（OVERLAP-V1）、JA1–3（JEPA-ARKIT-V1）：V1 的 `ds_eval.py`，只跑 CTX，尺度上限 3.0，GPU。
- **执行与统计：**
    - 分析运行两次，结果逐字节相同。
    - 统计单位是场景，bootstrap 10,000 次，种子 20260928，判定用 V2 gate；平局计为不变差。

## 结果（FARH，53 个场景）

| 编号 | 对比（> 0 表示右边更好） | 均值 | 95% CI | 好/平/差 | 状态 |
| --- | --- | ---: | --- | --- | --- |
| **P1** | H3 − SEL_GAN | +0.0577 | [+0.0058, +0.1083] | 24/17/12 | **SUPPORTED** |
| S1 | H3 − SEL_G1N | +0.0579 | [+0.0173, +0.1008] | 28/17/8 | SUPPORTED |
| S2 | H3 − SEL_JO | +0.0218 | [−0.0185, +0.0625] | 23/17/13 | NOT_ESTABLISHED |
| S3 | H3 − SEL_JA | +0.0422 | [−0.0092, +0.0978] | 23/17/13 | NOT_ESTABLISHED |
| S4 | H3 − GAN | +0.0384 | [−0.0267, +0.1038] | 27/0/26 | NOT_ESTABLISHED |
| S5 | H3 − G1N | +0.0244 | [−0.0309, +0.0826] | 28/0/25 | NOT_ESTABLISHED |
| S6 | H3 − JO | +0.0025 | [−0.0447, +0.0517] | 29/0/24 | NOT_ESTABLISHED |
| S7 | H3 − JA | +0.0246 | [−0.0323, +0.0849] | 29/0/24 | NOT_ESTABLISHED |
| S8 | GAN − SEL_GAN | +0.0193 | [−0.0129, +0.0535] | 18/27/8 | NOT_ESTABLISHED |

**FARH 均值：**

| 读出 | 不选择 | 按 S ≥ 1.2 选择 |
| --- | ---: | ---: |
| H3（调和插值） | 0.452 | — |
| GA（ARKit 小载体） | 0.413 | **0.394** |
| G1（Hypersim 小载体） | 0.427 | **0.394** |
| JA（DepthSplat-JEPA，原配方） | 0.427 | 0.409 |
| JO（DepthSplat-JEPA，重叠感知） | 0.449 | 0.430 |

## 解读

- **选择规则在真实数据上是稳健的。**
    - 近处视角（SELECTOR-V1）和远处视角（本实验）都通过了 V2 gate。
    - 在两种视角上，选择后的结果都比不选择更好、更一致。
- **规则的作用是识别"调和插值会失败的场景"。**
    - 远处视角上，学到的补全整体只与调和插值打平；但在深度层次丰富的场景里，它仍然明显更好（70% 的查询）。
    - 在近似平面的场景里，它会添乱（只有 30% 的查询更好）。
- **小载体比 DepthSplat-JEPA 更适合做远处补全。**
    - 选择之后，两个约 6.4 万参数的小载体（GA、G1）都通过了。
    - 两个 DepthSplat-JEPA 都没有通过：它们在远处视角上的覆盖与精度都不够。
- **局限：** 有 FARH 的场景只有 53 个；主检验勉强通过（CI 下界 +0.006）；扫描与 SELECTOR-V1 相同。

## 文件

- `PROTOCOL.md`、`preregistration.json`
- `frame_role_lock.json`、`evaluation_contract.json`
- `selector_seal.json`：复制自 SELECTOR-V1
- `code/`：建目录、锁定、任务与打分脚本
- `raw/eval/ARKIT_SELECT/`：arms 封存（G1、GA）
- `ds/ARKIT_SELECT/`：JO1–3、JA1–3 的 DepthSplat 封存
- `scores/`、`results/`、`audit/`