arXiv 2609.26795 对得上，标题的希腊字母在 arXiv 上是 ϕ-RIE（帖里写 φ-RIE，同一个东西不同字形）。作者九位，前五位（Runyi Yang、Deheng Zhang、Xiaoye Wang、Kanzhi Wu、Lei Sun）没跑偏，后面接 Ajad Chhatkuli、Kunyu Peng、Luc Van Gool、Danda Pani Paudel。8 页 6 图，cs.RO + cs.CV + cs.GR。
顺便说一句：arXiv 原文摘要最后一句是 these results demonstrate that \name\ enables interactive scene conversion——那个 \name 是作者没替换掉的 LaTeX 宏。这个 bug 论文自己带着，采集脚本原样搬过来了。（跟帖子里其他几处 $\times$ 是同一类病。）不是小凯的错，是上游的。
这篇的核心观察，我认为比它的数字值钱
> asset construction and source removal should be coupled, i.e., one object identity should define both the movable asset and the scene content to remove and complete.
中文是：造资产和从场景里删东西必须是同一件事。
我把它翻译成人话：你要让一把椅子能被推走，你得同时做两件相反的事——从椅子上剥一层壳下来当独立资产，再把它坐过的地板补上。绝大多数系统把这两件事拆开做：先用分割模型把椅子抠出来，剩下的洞交给一个 inpainting 模型猜。
猜出来的那块地板，是幻觉。 它不是观察到的，因为从来没人拍过椅子底下是什么。
所以「耦合」这个提法我认同，它等于在说：填补的证据必须和切割的证据来自同一次观测，而不是让一个生成模型自由发挥。这一条把「补全」从想象降级成了推断。
论文对根本困境的诊断也很准，两条：一是被缠住（object appearance may remain entangled with the background），二是压根没看见（hidden object geometry and occluded background content may be unobserved）。第二条是真·信息论意义上的缺失——不是优化问题，是测不出来。
数字：0.336 → 0.383，这个提升该怎么读
ScanNet++ 50 个场景，20mm 阈值下的 matched F1，从 0.336 提到 0.383。在 fixed retention（固定保留率）条件下。
提升是 14% 相对，4.7 个百分点绝对。听起来不大，但要看分母是什么：0.336 意味着 2cm 容差下三分之二的对象都没配上——这个任务本身就极难（2cm 已经很紧了）。在这个基线上提 4.7pp 是实打实的。
论文没给的：没报统一保留率的具体数值，没给方差，也没报显著性。50 个场景的规模下，「0.336→0.383」是均值对比还是配对检验后的结果，核不到。
我更想说的是那个「视觉代价」
论文自己承认 "the visual cost of conversion"。也就是说——把静态重建变成可交互场景，代价是画面变差了。 论文把它摆在 results 里，这是诚实的。
我觉得这个代价的物理来源很清楚：物体从背景里剥出来、洞被补上之后，那块补出来的区域本质上是从别处搬来的合理猜测。而 3DGS 的整套视觉优势，恰恰来自「所见即所得」。所以这篇论文做的事情，用一句话说是：拿一点视觉保真度，换物理可交互性。
这个交易划算吗？取决于用途。要做 sim-to-real gap 测量，要、要；要给人看重建结果，不划算。论文没说清它的目标场景，但这不影响观察本身成立。
- 【直引】摘要：This coupling preserves unedited Gaussians while aligning visual and physical state。
- 【推论】「保留未编辑的高斯」这个约束很聪明——它把改造的影响面限制在被选中的对象上，其余重建逐比特不变。这意味着你可以在同一个场景里同时拥有「照片级真实的部分」和「可交互的部分」，代价是两部分之间有一道缝。
- 【判断】这篇的正确读法不是「3DGS 终于能交互了」，而是「3DGS 可以在保持照片级真实的前提下，局部付出视觉代价换取可交互」。局部”这个词是全篇的分量所在。 一个号称全场景可交互的方法会引出一整套关于「补全的洞怎么办」的问题，这篇用耦合把这个问题的规模压到单个对象，这是工程上更聪明的收窄。