# EXP-3D-RGBD-DEPTHSPLAT-TTT-ABLATION-V1：TTT 的收益来自学到的基座吗？

**结论：LEARNED_BASE_MATTERS。**

- 用同样的测试时优化，从学到的 DepthSplat 状态出发，比从"无网络高斯"出发好：P1 = +0.024 [+0.008, +0.044]，61/78 个场景更好，SUPPORTED。无网络高斯是把每个测得像素直接变成一个高斯。
- 不做 TTT 时，两者没有区别：P2 = +0.006，47/31，不成立。
- 所以学到的基座的价值，不在前馈预测本身，而在为测试时优化提供了更好的起点和参数化。同样 100 步，学到的状态收益是 +0.030，无网络高斯只有 +0.012。

**说明：**

- 预注册见 [PROTOCOL.md](PROTOCOL.md)。2026-10-08 06:25:19 锁定，sha256 `cebe6e23…`。
- 无网络高斯的设置只在 DEV 上选择，见 `development/` 与 `nv_selection.json`：
    - 尺度 c = 0.0625，即光栅化器低通下的点状高斯极限；
    - 不透明度 0.95；
    - TTT 步长 m = 1。
- 评估队列 FRESH78（78 个场景），episode、流帧、查询都与 V1 相同。ZS 的各臂直接引用 V1 已封存的预测。
- 统计单位是场景，bootstrap 10,000 次，种子 20260928，判定用 V2 gate。分析运行两次，结果逐字节相同。

## 主检验与次要分析（ALL 区域，除非另注）

| 编号 | 对比（> 0 表示右边更好） | 均值 | 95% CI | 好/平/差 | 状态 |
| --- | --- | ---: | --- | --- | --- |
| **P1** | NV_TTT − ZS_TTT（同样 TTT 下学到的基座） | +0.0237 | [+0.0081, +0.0441] | 61/0/17 | **SUPPORTED** |
| **P2** | NV_CACHE − ZS_CACHE（不做 TTT） | +0.0062 | [−0.0127, +0.0320] | 47/0/31 | NOT_ESTABLISHED |
| P3 | NV_CACHE − NV_TTT（TTT 对无网络高斯） | +0.0122 | [+0.0067, +0.0178] | 69/0/9 | SUPPORTED |
| P4 | REPROJ7 − NV_CACHE | +0.0208 | [−0.0118, +0.0697] | 26/0/52 | NOT_ESTABLISHED |
| P5 | REPROJ7 − NV_TTT | +0.0330 | [+0.0012, +0.0841] | 41/0/37 | PARTIAL |
| P6a | P1，NEAR7 | +0.0238 | [+0.0081, +0.0443] | 61/0/17 | SUPPORTED |
| P6b | P1，FAR7 | −0.0015 | [−0.0078, +0.0030] | 18/31/10 | NOT_ESTABLISHED |
| 参照 | ZS_CACHE − ZS_TTT（V1 的 B1） | +0.0298 | [+0.0212, +0.0395] | 73/0/5 | SUPPORTED |

P1 的留一场景均值全部 > 0，场景中位数 +0.0055，最大单场景占比 0.26。

## 各读出的均值（场景平均 AbsRel）与覆盖率

| 读出 | ALL | NEAR7 | FAR7 | 覆盖率（ALL） |
| --- | ---: | ---: | ---: | ---: |
| REPROJ7_HARMONIC | 0.1747 | 0.1611 | 0.3551 | — |
| NV_CTX_F（3 帧） | 0.2480 | 0.2318 | 0.5518 | 0.721 |
| ZS_CTX_F（3 帧） | 0.2409 | 0.2250 | 0.5519 | 0.698 |
| NV_CACHE_F7 | 0.1539 | 0.1399 | 0.3545 | — |
| ZS_CACHE_F7 | 0.1478 | 0.1345 | 0.3549 | 0.880 |
| NV_TTT_F7 | 0.1417 | 0.1273 | 0.3542 | 0.896 |
| ZS_TTT_F7 | 0.1180 | 0.1035 | 0.3557 | 0.907 |

## 解读

- **前馈状态没有优势：** 在注入测得深度之后，DepthSplat 的前馈高斯与直接由测量像素生成的点状高斯几乎一样好（P2）。网络在已测区域没有加入额外的几何信息。
- **TTT 下有优势：** 在同样的测试时优化下，学到的状态稳定地更好（P1，61/78）。可能的原因是：DepthSplat 给出的高斯带有学到的各向异性尺度、朝向与不透明度，测试时优化在这个参数化上收敛得更快、更好；点状高斯的尺度梯度被光栅化器的低通"吃掉"，主要只能调整位置、颜色和不透明度。这一点没有直接检验，只是推测。
- **对 Core B 叙事的含义：** "在学到的场景状态上做测试时写入"的价值是真实的，而且确实依赖学到的状态，不只是经典的逐场景高斯拟合。但收益仍局限在已测区域，不会补全没看到的几何。

## 完整性与开发记录

- NV 的预测在读真值前全部封存，`query_depth_read = false`，读取前逐个校验哈希。ZS 的封存直接引用 V1。
- DEV 选参过程：
    - 原定尺度网格 {0.5, 1, 2} 选在边界上，于是向下扩展到 {0.0625, 0.125, 0.25}。c ≤ 0.125 后曲线走平，因为光栅化器的低通决定了足迹。
    - m 网格 {1, 3, 10} 在 c = 0.5 与 c = 0.0625 上都选出 m = 1。
    - 全部记录在 `development/`。

## 文件

- `PROTOCOL.md`、`preregistration.json`、`nv_selection.json`、`frame_role_lock.json`
- `geometry/`：V1 几何封存的副本
- `code/`、`development/`
- `ds/FRESH78/NV/`：NV 的封存
- `scores/`、`results/`、`audit/`