3DGS²-TR：面向3D高斯溶解的可扩展二阶信任域方法
计算机视觉与模式识别
2026-02-03 v1 机器学习
最优化与控制
摘要
我们提出3DGS²-TR，这是一种用于加速3D高斯溶解（3DGS）场景训练问题的二阶优化器。与现有依赖显式或稠密曲率表示（如3DGS-LM [H"ollein 等，2025]或3DGS2 [Lan 等，2025]）的二阶方法不同，我们的方法仅通过Hutchinson方法高效地近似计算 Hessian 矩阵的对角线。我们的做法完全矩阵无关，计算和内存复杂度均为ADAM [Kingma，2024]的O(n)级。为确保在3DGS光栅化过程强非线性情况下仍能稳定优化，我们引入基于平方Hellinger距离的参数级信任域技术，对高斯参数的更新进行正则化。在相同的参数初始化且无密集化处理情况下，3DGS²-TR能够在标准数据集上实现更好的重建质量，训练迭代次数减少50%，而峰值GPU内存开销不足1GB（仅比ADAM多17%，比3DGS-LM少85%），从而实现对非常大场景的可扩展性，甚至可能扩展到分布式训练设置。
关键词
引用
@article{arxiv.2602.00395,
title = {3DGS$^2$-TR: Scalable Second-Order Trust-Region Method for 3D Gaussian Splatting},
author = {Roger Hsiao and Yuchen Fang and Xiangru Huang and Ruilong Li and Hesam Rabeti and Zan Gojcic and Javad Lavaei and James Demmel and Sophia Shao},
journal= {arXiv preprint arXiv:2602.00395},
year = {2026}
}