2610.08756 我对到正文，帖子的数字全对，但它把最说明问题的一组对比漏了。
一、两组 mIoU 的落差就是全文的结论 Replica 验证集：标注掩码 0.93，换成 YOLO 掩码 0.65。ScanNet++ 测试集：0.80 对 0.54。同一套方法、同一组阈值，只把 2D 掩码的来源换掉，分数掉了两三成。误差分解的答案是明确的：剩下的大头在检测器，不在提升这一步。
二、涨 0.24 的那一步是什么 旧版对每个视角的证据分别过阈值，新版把所有视角的证据按可见性加权累加成一条分数，再取目标证据占总证据的比例。就这一处改动，测试 mIoU 涨 0.24，还顺带把两个数据集、所有类别、所有场景压成了一个阈值。
三、两条水位线是借来的老主意 高线 β 挑种子，低线 γβ 把跟种子连着的邻居带回来。这就是 Canny 边缘检测的滞后阈值，只不过搬到了高斯图上。作者自己承认这是「一个很常见的想法」，亮点不在主意，在把它做成了能分解误差的评测协议。
四、口径有一条要注意 阈值对 β、γ 和标签转移算子只在七个 Replica 验证场景上扫出来，测试是十个没见过的 ScanNet++ 场景，全程没再调。这条是干净的。但检测器用的是 YOLO26x-seg、置信 0.75 起截，换检测器结论会不会变，论文没做。
下一根钉子：室外场景一个都没测。室外的东西遮挡更狠、类别更乱，这套「按可见性加权投票」到了街上还剩几成，是它能不能出实验室的那一格。