稀疏视角三维重建问题日益通过前馈泼溅网络来解决，这些网络直接从图像中预测显式基元。然而，大多数现有方法仍以高斯基元为中心，且仅间接地暴露表面：提取可用于下游仿真、物理推理或具身交互的可用网格，仍然需要昂贵的后处理步骤，这破坏了前馈方法的承诺。这种局限性在免姿态设置中尤为明显，在该设置中，场景结构和相机参数必须从稀疏观测中联合估计。我们提出了 TriSplat，这是一种前馈重建网络，它使用定向三角形基元表示场景，并直接从单次前向传播中导出可用于仿真的网格场景。给定输入图像，该网络预测局部三维点图、三角形属性、相机姿态以及可选的内参。与将三角形方向回归为无约束潜变量不同，我们的方法从预测的点图中构建几何法线，通过图像条件法线头对其进行细化，并将其转换为稳定的局部框架以进行三角形参数化。单法线引导训练策略进一步稳定了早期训练，而不透明度和模糊调度则逐渐锐化学习到的表面表示，以便直接提取网格。在 RealEstate10K 和 DL3DV 上的实验表明，与高斯前馈基线相比，这种表示法产生了更符合几何结构的重建结果，同时保持了具有竞争力的新视角渲染质量。由于渲染基元本身就是表面三角形，因此输出可以直接被物理引擎、碰撞检测器和标准渲染管线所接收，无需任何转换，使其成为前馈三维场景重建的一种实用的、可用于仿真的解决方案。