SplatLab: Autonomous Scientific Discovery for 3DGS Research
SplatLab：面向3DGS研究的自主科学发现系统
🧭 Agent 自主科研流水线 · 3DGS
University of California San Diego
SplatLab 实现端到端自主3DGS研究流水线，通过模块化变异、Elo锦标赛与实验绑定生成可追溯论文，PSNR最高提升3.78dB
📌 工作参考价值
- 可借鉴「已验证骨干 + 模块化插件变异」思路：在推荐模型迭代中，固定召回/排序主框架，只变异可插拔模块（如特征交叉、损失项、负采样），降低实验方差并快速定位增益来源。
- Elo tournament 多候选评估机制可用于广告/推荐离线 A/B 前的高效筛选：对候选算法按多个数据集/指标进行配对比较并引入淘汰压力，比单独跑全量评估更省资源。
- 实验数字绑定日志、未备份则不允许输出报告的做法，可直接迁移到实验平台，强制所有在线离线指标可追溯，避免口头结果。
- 常驻 falsifier（压力测试）用于鲁棒性筛选：在电商大促、冷启动等极端场景下自动验证策略，淘汰脆弱候选。
动机 复现一篇 3DGS 论文需数周专家工程，现有自主研究系统受限于固定模板、低可执行性和弱可追踪性，且未在活跃 CV 子领域端到端验证。
方法关键点
- 在已验证复现基座上对插件进行变异，保证基线一致性；
- 八岛 cascaded-weight Elo 锦标赛，用 GPU PSNR 和 verbal-gradient 反馈选择候选；
- 常驻 falsifier 在候选失败时扣除 Elo，把压力测试生存能力纳入选择；
- 每个报告数字绑定到训练日志，若存在无日志支撑的声明，运行不得终止；
- 七类 3DGS taxonomy 包装 EVOLVE-BLOCK 标记，使变异模块可跨仓库迁移。
关键结果 PSNR 提升 +0.18 到 +3.78 dB，其中天文星云渲染 +3.78 dB（此前无 3DGS 方法）；研究周期从数月研究生工作量压缩至数天自主计算。