arXiv new; multimodal 3D Gaussian pretraining; masked Gaussian modeling · P0 · 2026-07-09

GaussFusion：它和通用视觉自监督的关系在于：把 masked Gaussian modeling 与图文语义对齐合并，是今天最直接的通用 3D/视觉表征预训练论文

高相关；详见方法、贡献和实验边界。

GaussFusion: Towards Multimodal 3D Gaussian Pretraining　arXiv new; multimodal 3D Gaussian pretraining; masked Gaussian modeling　原文链接

编号2607.05906 优先级P0 类别arXiv new; multimodal 3D Gaussian pretraining; masked Gaussian modeling 会议arXiv new; multimodal 3D Gaussian pretraining; masked Gaussian modeling 方法把 masked Gaussian modeling 与图文语义对齐合并，是今天最直接的通用 3D/视觉表征预训练论文来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：把 masked Gaussian modeling 与图文语义对齐合并，是今天最直接的通用 3D/视觉表征预训练论文。高相关；详见方法、贡献和实验边界。

**Figureure 1 · Motivation and overview of GaussFusion**Fig. 1. Motivation and overview of GaussFusion. Compared with basic masked Gaussian modeling, GaussFusion introduces image-text semantic alignment and GSHM masking to select salient, spatially co herent Gaussian regions, improving local structure learning and semantic transferability.这张图概括 GaussFusion 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

**Figureure 2 · Overall framework of GaussFusion**Fig. 2. Overall framework of GaussFusion. GaussFusion generates Gaussian tokens from 3D splats and applies Gaussian Salience-guided Multi-scale Hole Masking (GSHM) to local Gaussian groups. Visible Gaussian tokens are combined with learnable image and text tokens in a multimodal encoder. The decoder reconstructs masked Gaussian groups, while frozen image and text encoders provide cross-modal supervision for learning transferable 3D representations.这张图概括 GaussFusion 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

核心问题

它和通用视觉自监督的关系在于：把 masked Gaussian modeling 与图文语义对齐合并，是今天最直接的通用 3D/视觉表征预训练论文。

方法拆解

把 masked Gaussian modeling 与图文语义对齐合并，是今天最直接的通用 3D/视觉表征预训练论文

主要贡献

高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。