- 现有的以物体为中心的**视角规划(view planning)** 评估常混淆**物体复杂度(object complexity)**、**规划难度(planning difficulty)**、**预算假设(budget assumptions)** 和**物理可达性约束(physical reachability constraints)**
- 理想化评估结论无法可靠预测实际**主动三维重建(active 3D reconstruction)** 场景下的性能
- 需重新定义和分离影响评估的关键因素，并设计反映真实部署条件的评估协议
- 提出**ObjView-Bench评估框架**，解析并解耦三个核心量：**全向自遮挡(omnidirectional self-occlusion)** 作为物体侧属性、**观测饱和难度(observation saturation difficulty)**、以及通过**集合覆盖(set-cover)** 形式化定义的**协议相关规划难度(protocol-dependent planning difficulty)**
- 基于该分离构建可控数据集，开展**慢饱和物体(slow-saturation objects)** 分析，并验证**规划难度感知采样(planning difficulty-aware sampling)** 可提升学习型规划器
- 设计**面向部署的评估协议(deployment-oriented evaluation protocols)**，显式注入**预算制度(budget regimes)** 和**可达视角约束(reachable-view constraints)**
- **首次系统解耦** 视角规划评估中物体复杂度、难度与部署约束，避免以往混淆导致的偏差
- 引入**集合覆盖(set-cover)形式化** 定义协议相关规划难度，为分析**慢饱和(slow-saturation)** 行为提供新视角
- 揭示**预算变量(budget variation)** 和**可达性约束(reachability constraints)** 会根本性地改变方法排名与失败模式，而非仅影响绝对性能
- 为**以物体为中心的视角规划(object-centric view planning)** 领域提供标准化的**难度感知评估框架(difficulty-aware evaluation framework)**
- 通过实证分析证实困难度、预算和可达性约束显著影响**经典、学习型和混合规划器(classical, learned, and hybrid planners)** 的相对排名
- 为未来视角规划方法的设计与部署提供**可复现的基准(reproducible benchmark)** 和**部署导向的评估方法论(deployment-oriented evaluation methodology)**