点云有洞也能补出完整场景网格：AnchorComplete 出手

DUSt3R 这类重建方法和 SLAM 系统都有个天生的产出缺陷：只能恢复看得见的表面，点云永远带着大洞。慕尼黑工业大学、牛津大学与南洋理工的 AnchorComplete（arXiv 2611.03228，作者含 Daniel Cremers 与 Andrea Vedaldi）直接瞄着这个缺陷：从局部点云生成完整场景网格，同时对观测几何保持忠实，还能适配任意场景尺度。

框架基于 TRELLIS.2，两个核心组件撑起效果。其一，局部点条件化走混合方案：全局场景 token 提供先验，可见体素注入结构潜变量做热启动，双路径锚定让生成既敢补洞又不偏离实测。其二，公制尺度的由粗到细生成：用固定物理尺寸的窗口以八叉树方式覆盖场景，每个窗口继承父级几何（0.8 热启动），窗口之间重叠四分之一，网格分辨率从此与场景大小解耦，客厅和整层楼用同一套分辨率逻辑。

成绩按论文口径：在 Replica 与 SCRREAM 数据集的稀疏视图设置下取得最佳 CD 与 F-score，N 等于 10 视图时 Replica 上 F 0.05 达 0.829，对比 NKSR 的 0.754。更实用的是跨源泛化：DA3、Pi3、COLMAP、DROID-SLAM、模拟 LiDAR 的输出都无需重训练直接吃，F 0.05 在 0.547 到 0.761 之间。消融证明优势来自点条件化而非场景级训练。

边界也要说清：只预测几何不含纹理，严重依赖上游点云质量，目前限于室内场景。对做机器人感知、数字孪生和空间计算的团队，这篇等于给「看得见的半间房」补上了「看不见的另外半间」，下游的碰撞检测与规划终于能拿到一张完整的图。