SCION：用可复用神经基元重构3D场景表示

真实世界中的场景本质上是组合式的——砖块、草叶、鹅卵石、树叶在人造环境与自然环境中反复出现。然而主流的神经场景表示方法却对这种重复性视而不见，往往把每个元素都当作独一无二的个体来建模。普林斯顿大学团队提出的 SCION（Scene Composition with Instanced Neural Primitives）正是针对这一痛点，试图让神经场景表示学会"发现可复用的零件"，而不是逐一记忆整个场景。

现有方法的冗余困境

当前以 3D Gaussian Splatting（3DGS）为代表的技术路线及其后续的抽象与压缩方法，普遍把场景中的每一个元素视为唯一存在，为单个场景拟合数以百万计的独立高斯体。这种做法带来两个直接问题：一是存储了大量冗余参数，相似的草叶、相似的砖块各自占用独立的参数空间；二是为下游任务提供的操控能力很弱，想要编辑或动画化某一类重复元素时缺乏有效的"抓手"。

此前也有类似 Splat and Replace 的方法尝试拟合模板对象来复用结构，但它们高度依赖人工挑选重复元素，自动化程度低，难以规模化应用。这意味着在压缩效率与可控性之间，现有方案始终没有找到一个优雅的平衡点。

3D Gaussian Splatting（3DGS）是2023年提出的一种实时神经场景渲染方法，其核心思想是用大量三维高斯椭球体（Gaussian splat）来表示场景的几何与外观。每个高斯体携带位置、旋转、缩放、不透明度和球谐系数（用于表示视角相关的颜色）等属性，通过可微分的栅格化过程渲染成图像，并与真实照片对比来优化所有参数。3DGS的优势在于渲染速度极快、重建质量高，但一个典型场景往往需要数百万乃至数千万个高斯体，单场景存储可达数百MB，使得压缩与结构化表示成为该方向的核心研究课题。

SCION 的核心思路：词汇表加实例化

SCION 提出了一种分层的组合式场景表示，其核心在于用一套紧凑的可复用基元词汇表（vocabulary of reusable primitives）替代彼此独立的高斯体，再配合轻量级的世界空间实例（world-space instances），将这些基元经过变换后的副本放置到场景各处。

换句话说，场景不再是百万个孤立高斯的堆砌，而是"一批模板 + 一批放置指令"。模板定义了重复出现的几何与外观单元，实例则记录每个副本在世界坐标系中的位置、旋转和缩放等变换信息。这种结构天然贴合真实世界的组合特性，也让参数量大幅下降。

离散与连续参数的联合优化

要从多视角采集数据中恢复出这样的结构，SCION 采用了对离散参数与连续参数的联合优化策略。它结合了在 splat 和 instance 两个层级上的两级稠密化（two-level densification），并引入**对抗损失（adversarial loss）**来在共享基元之间保留细节——因为一旦多个实例共用同一个模板，如何避免细节被平均化、模糊化就成了关键挑战。对抗损失的引入正是为了维持高质量的视觉表现。

稠密化（densification）是3DGS训练流程中的关键机制：在优化过程中，系统会自适应地在重建误差较大的区域分裂或克隆高斯体，以提升局部细节的表达能力。SCION将这一机制扩展到两个层级——splat层级（基元内部的高斯分布）和instance层级（场景中基元副本的数量与位置），从而在保持模板共享的同时，允许系统在需要更多细节的地方增加表达容量。对抗损失（adversarial loss）则借鉴生成对抗网络（GAN）的训练范式：一个判别器负责区分"真实细节"与"被多实例平均化后模糊的细节"，迫使基元模板在共享约束下仍然维持锐利的高频纹理，而非退化为各实例外观的模糊均值。

性能与应用价值

按照论文描述，SCION 恢复出的结构既紧凑又可控，即便压缩到 1.2 MB 这样极小的体量，仍能保持较高的渲染质量。在率失真（rate-distortion）表现上，它优于现有的高斯压缩方法，这意味着在同等存储预算下能提供更好的画质，或在同等画质下占用更小的空间。

更具实用价值的是，这种表示方式天然支持实例级的场景编辑与动画，且无需重新训练。由于场景被分解为可复用模板与实例变换，用户可以直接操作某一类元素——比如统一调整所有树叶的姿态，或让某一类物体产生运动——而不必像传统方法那样对整个场景重新优化。

率失真（rate-distortion）是信息论与压缩领域的核心权衡框架：「率」指存储或传输一个表示所需的比特数，「失真」指压缩后重建质量的下降程度（常用PSNR或SSIM衡量）。理想的压缩方法应在给定比特预算下最小化失真，或在给定质量目标下最小化码率。在神经场景表示领域，率失真曲线已成为评估压缩方法优劣的标准工具——SCION声称在该曲线上整体优于现有高斯压缩基线，意味着其结构化的组合表示本身就构成了一种高效的隐式压缩，而非依赖后处理量化或熵编码。

对神经场景表示的启示

SCION 传递出一个颇具启发性的观点：神经场景表示并不需要把场景当作一堆独立基元来死记硬背，它们完全可以主动"发现"场景中可复用的组成部分。这一思路与人类理解世界的方式更为接近——我们识别场景时也是在识别重复出现的物体类别，而非逐像素记忆。

从工程角度看，这种组合式表示在压缩、编辑、动画等多个维度同时受益，有望成为 3DGS 之后一条值得关注的技术演进方向。项目主页已公开于普林斯顿光学实验室（light.princeton.edu/SCION），感兴趣的研究者可进一步查阅技术细节。

需要说明的是，本文基于 arXiv 预印本摘要整理，具体的实验对比、消融分析与泛化能力仍有待完整论文与开源实现进一步验证。