SplatLab escreve sozinho artigos sobre 3D Gaussian Splatting e supera baselines em até +3,78 dB

Reproduzir um artigo publicado sobre 3D Gaussian Splatting dá semanas de trabalho a um engenheiro experiente, e só depois disso é possível propor uma extensão própria. O SplatLab tenta eliminar esse gargalo por completo. O sistema recebe uma consulta de pesquisa, o link de um artigo-alvo ou simplesmente nada. Em seguida, reproduz o baseline, propõe uma extensão, treina e faz ablação dela no Mip-NeRF 360 e no LLFF e escreve o manuscrito. Nas tarefas com PSNR como métrica-alvo, os textos do sistema superam as metas reproduzidas em um valor de +0,18 a +3,78 dB. O ciclo que leva meses para um doutorando é comprimido em dias de computação predominantemente autônoma.

Por que os «cientistas de IA» anteriores emperravam

Já existem sistemas que leem artigos, formulam hipóteses e escrevem código. Os autores do SplatLab apontam três pontos fracos deles: templates curtos e fixos, baixa executabilidade do código gerado e rastreabilidade fraca dos resultados. Além disso, nenhum desses sistemas foi demonstrado em um ciclo de ponta a ponta numa área viva e muito competitiva da visão computacional. O 3DGS é exatamente esse caso: os artigos saem em fluxo contínuo, e as diferenças entre os métodos são medidas em décimos de decibel.

Cinco decisões dentro do pipeline

Primeira: os candidatos não mutam código escrito do zero, mas plugins sobre uma implementação já validada, que coincide com os baselines publicados. Isso restringe o espaço de busca a variantes que funcionam.

Segunda: a seleção ocorre por meio de um torneio com rating Elo ponderado em cascata, distribuído em oito «ilhas». Os candidatos são avaliados pelo PSNR medido em GPU, e o feedback chega na forma de um gradiente textual, uma análise em palavras do que funcionou e do que não funcionou.

Terceira: um falsificador, em operação permanente, retira pontos Elo quando o candidato falha em testes de estresse. A resistência à verificação passa a fazer parte da seleção, e não de uma etapa separada depois dela.

Quarta: cada número do manuscrito está vinculado a uma execução de treinamento registrada em log. O sistema não pode encerrar o trabalho enquanto restar pelo menos uma afirmação sem comprovação.

Quinta: uma taxonomia de 3DGS com sete categorias. Os marcadores EVOLVE-BLOCK são envolvidos em estruturas de domínio que podem ser transferidas entre repositórios de 3DGS.

Nebulosas como caso emblemático

O resultado mais notável é o de +3,78 dB na renderização de nebulosas astrofotográficas. Segundo os autores, não existia um método de 3DGS pronto para essa tarefa. Ou seja, o sistema não melhorou uma receita conhecida: ele montou uma para uma área pouco estudada. O limite inferior do ganho, +0,18 dB, parece mais modesto, mas, numa comunidade que disputa décimos, até esse avanço é considerado relevante.

Principais parâmetros do sistema:

• Entrada: tema, URL do artigo-alvo ou consulta vazia
• Benchmarks: Mip-NeRF 360 e LLFF
• Seleção: torneio Elo em 8 ilhas com base no PSNR medido em GPU
• Proteção: falsificador que subtrai Elo em caso de falha
• Rastreabilidade: cada número está vinculado ao log da execução
• Ganho de PSNR: de +0,18 a +3,78 dB
• Duração do ciclo: dias, em vez de meses de trabalho de doutorado

O que já dá para aproveitar agora

Os autores publicaram na página do projeto o código, todos os manuscritos, os logs dos experimentos e o repositório de artigos compartilhado entre execuções. Para laboratórios, é material pronto para verificação: dá para pegar um manuscrito específico e seguir toda a cadeia, do número na tabela até o log de treinamento. Esse tipo de auditoria é justamente o que mais costuma faltar em artigos escritos por humanos.

Para equipes que usam 3DGS em produtos, a conclusão prática é outra. A réplica verificada do baseline e a busca em torneio por plugins podem servir como bancada automática para encontrar melhorias adequadas aos próprios dados, sejam eles de captura de ambientes internos, drones ou imagens científicas. A regra «sem log, sem afirmação» vale ser adotada também fora do 3DGS: ela fecha o principal risco das pesquisas escritas automaticamente, quando um texto bonito diverge das execuções reais.

Fica em aberto a questão dos limites: o PSNR é mensurável e barato, mas muitas áreas da visão computacional não têm uma avaliação tão clara. Ainda assim, o SplatLab mostra que, numa subárea com medição precisa e experimentos rápidos, o ciclo autônomo, da leitura do artigo ao manuscrito, já funciona.