SPLATIFY：复现、发现、创新！从论文与想法到可训练的 3DGS 代码
TLDR
多智能体框架，将 3DGS 论文转为可训练 gsplat 实现，结合文法约束、视觉反馈与 30 篇论文基准。
评分理由
The paper presents a novel framework with clearly described technical innovations and a benchmark for evaluation. However, limited visible abstract details mean the full experimental outcomes are not evident, and the scope is specific to 3DGS rather than general research automation.
Read-first 评分解释
综合优先阅读分 56.1，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 54。
研究版图角色
排序敏感性
稳定性：volatile；排名波动范围：31。
关键词评分
深度分析
创新点
- 一种针对 gsplat 的上下文无关文法，基于模块化方法模板，并为损失、致密化、渲染和优化提供扩展点，从而约束代码生成，使所生成代码在构造上满足 gsplat 的架构不变量。
- 用于忠实复现的架构元素：fork-aware 引用恢复，可在函数级粒度检索组件级代码；按拓扑依赖顺序进行的 Graph-of-Thought 综合；RAG 引导的上下文内示例选择，来自 20 多个经过验证的实现；以及结合 PSNR 引导的重新生成、高斯级结构检查和 VLM 驱动的补丁修复的视觉反馈。
- 知识驱动的组合式改进，可自主发现弱点并组合互补的正则化器、损失和致密化策略，以改进原始结果。
- 跨学科方法发现，代理从 3DGS 文献之外检索物理先验，并将其与渲染知识组合，为以前未处理的场景类型生成方法。
- SPLATIFY-Bench，一个覆盖 30 篇多样化 3DGS 论文的评估框架。
方法
SPLATIFY 是一个多智能体框架，利用基于模块化方法模板并含扩展点的上下文无关文法，将 3DGS 论文转换为基于 gsplat 的可训练实现。它集成了 fork-aware 引用恢复、Graph-of-Thought 综合、来自 20 多个经过验证实现的 RAG 引导上下文内示例选择，以及通过 PSNR 引导的重新生成、高斯级结构检查和 VLM 驱动的补丁修复实现的视觉反馈。使用 SPLATIFY-Bench 在 30 篇多样化 3DGS 论文上进行评估，以 PSNR 和开发时间作为指标。
关键结果
在没有公开代码的论文上，SPLATIFY 可与专家实现相媲美，同时将开发时间从数周缩短至数分钟。组合式发现进一步将 PSNR 提升高达 2.4 dB，并且 SPLATIFY 合成了用于体积星云渲染及其他科学领域的新方法。