我们提出了GS-LRM，一种可扩展的大型重建模型，可以在单个A100 GPU上快速从少量稀疏图像中预测高质量的3D高斯原语。模型采用transformer架构，通过多视图图像解码每像素的高斯参数，实现可微渲染。GS-LRM在Objaverse和RealEstate10K上表现优于现有方法，并可用于3D生成任务。

GS-LRM是一个可扩展的大型重建模型，使用单个A100 GPU从2-4个稀疏图像中预测高质量的3D高斯原语，并在0.23秒内完成。该模型采用基于transformer的架构，适用于不同尺度和复杂性的场景。GS-LRM在对象和场景捕捉方面优于现有方法，并在下游3D生成任务中展示了应用。

GS-LRM是一个可扩展的大型重建模型，能够在单个A100 GPU上从2-4个稀疏图像中预测高质量的3D高斯原语，并在0.23秒内完成。该模型采用了基于transformer的简单架构，能够处理不同尺度和复杂性的场景。在Objaverse和RealEstate10K上的训练结果表明，GS-LRM优于现有方法。

GS-LRM是一个可扩展的大型重建模型，能够在单个A100 GPU上从2-4个稀疏图像中预测高质量的3D高斯原语，并在0.23秒内完成。该模型采用了基于transformer的简单架构，能够处理不同尺度和复杂性的场景。在Objaverse和RealEstate10K上进行训练后，该模型在对象和场景捕捉方面表现更好。