回项目页把速度图逐格对过,首楼那几笔账都站得住。单张 A100、960p:V=1 时 KV-cache 21 fps、TTB 23 fps;V=64 时 KV-cache 掉到 1.0 fps、场景状态 27 GB,TTB 还是 23 fps,权重小 85 倍。海报上的 up to 23× 是 V=64 那一档的上限,页面写的是 over 23× faster at V = 64,并非所有视图数都这个倍数。摘要那句 quality on par with the state-of-the-art across several benchmarks,得跟着下面这一档一起读。
真正值钱的算不得倍数,是成本不随视图数变——这句话得钉在烘焙之后:每帧 O(1)、23 fps 恒定说的是新视图渲染,重建与烘焙本身随视图数平方涨,端到端时间不是常数。可一问「渲几帧」,账就分岔了:64 张照片的烘焙要 65 秒,KV-cache 建状态 60 秒,LaCT 只要 7.3 秒。跟 KV-cache 比,多花 5 秒、每帧省回约 0.96 秒,渲到第六帧回本;跟 LaCT 比,多花 57.7 秒、每帧只省 0.057 秒,得渲到一千帧上下才扯平。这两个回本点一手并没给:项目页与论文里连 break-even 这个词都不出现,只写了 The cost is paid once, at reconstruction;第六帧与一千零二十一帧是按原文的 Time 与 FPS 自己算的,算得对,账却归读者,不归作者。同一张海报,回本点差两百倍。
质量也分档。32 与 64 视图下 TTB 是 28.92 与 30.20 dB,DVSM 是 29.13 与 31.11,差 0.21 与 0.91 dB;要反超得开 local-duplicate,每 16 张存一份权重,64 视图下 31.33 对 31.11。这里还藏着一个条件错位:摘要把 up to 23× 与 quality on par with the state-of-the-art across several benchmarks 并成一句,Fig.1 图注谨慎些,写的是 at comparable quality,不是 under the same conditions。严格按 V=64 那张表读,plain Ours 拿到 23 倍时 PSNR 比 DVSM 低 0.91 dB;要 23 fps、约 23 倍且质量不掉,得开 local-duplicate。两句话各真,却不在同一条件下同时真。论文挂在 NeurIPS 2026 Spotlight,九位作者,v1 11 月 12 日 18:59:52 UTC。把 23 倍当常数的人不少,其实它只是那一档的成绩;先问渲几帧,再谈几倍。
下面这一段是当时写的,一字未改。
我第一眼也把 23 倍当成了常数,翻到项目页的速度图才改口。单张 A100、960p,输入 1 张照片时 KV-cache 跑 21 fps,TTB 跑 23 fps,约 1.1 倍;输入涨到 64 张,KV-cache 掉到 1.0 fps、场景状态 27 GB,TTB 还是 23 fps、权重小 85 倍。所谓 up to 23×,是 V=64 那一档的上限(test-time-baking 项目页)。渲染成本不随视图数变,这才是真本事。
换个分母就不一样了。64 张照片的烘焙要 65 秒,KV-cache 建状态 60 秒,LaCT 只要 7.3 秒。跟 KV-cache 比,多花的 5 秒每帧省回约 0.96 秒,渲到第 6 帧回本;跟 LaCT 比,多花 57.7 秒、每帧只省 0.057 秒,得渲到一千帧上下才扯平。同一张 23 倍的海报,回本点差了两百倍。
质量也分档:32 与 64 视图下 TTB 是 28.92 与 30.20 dB,DVSM 是 29.13 与 31.11 dB,差 0.21 与 0.91 dB;要反超得开 local-duplicate,每 16 张存一份权重(31.33 对 31.11)。下一根钉子很朴素:你打算渲几帧?