面向大规模3D重建的分布式导向高斯溅射 (DOGS)

最近的3D高斯溅射 (3D Gaussian Splatting, 3DGS) 方法在新视角合成 (novel view synthesis, NVS) 任务中展现出巨大的潜力。凭借卓越的渲染性能和高保真渲染质量，3DGS正超越其之前的神经场 (NeRF) 代表作。目前最新的3DGS方法要么关注提高渲染效率的不稳定性，要么减少模型规模。另一方面，3DGS在大规模场景上的训练效率获得了不少关注。本文提出DoGaussian方法，对3DGS进行分布式训练。我们的方法首先将场景分解为K个块，然后引入多目标函数乘子法 (Alternating Direction Method of Multipliers, ADMM) 于3DGS的训练过程中。在训练期间，DOGS在主节点维持一个全局3DGS模型，在从节点维持K个局部3DGS模型。训练结束后，K个局部3DGS模型将被丢弃，仅查询全局3DGS模型进行推理。通过场景分解降低训练时间，通过对共享3D高斯的共识保证训练收敛性和稳定性。我们的方法在大规模场景上将3DGS的训练速度提高6倍以上，同时实现了最先进的渲染质量。我们的代码已公开于https://github.com/AIBluefisher/DOGS。