节食的高斯：高质量内存受限的 3D 高斯泼溅训练
计算机视觉与模式识别
2026-04-27 v2
摘要
3D 高斯泼溅（3DGS）通过连续聚合数百万个 3D 高斯基元，实现了高质量渲染，彻底改变了新视角合成。然而，它占用大量内存，尤其是在训练期间由于不受控制的致密化，这为在内存受限的边缘设备上部署带来了关键瓶颈。虽然现有方法在训练后剪枝冗余高斯，但它们未能解决训练早期高斯数量急剧增长导致的内存峰值问题。为了解决训练内存消耗问题，我们提出了一种系统性的内存受限训练框架，该框架通过迭代增长和剪枝来动态优化高斯。换句话说，所提出的框架在增量剪枝低影响高斯和策略性增长新基元之间交替进行，并采用自适应高斯补偿，在逐步优化渲染保真度的同时，保持近乎恒定的低内存使用。我们在严格的内存约束下，在各种真实世界数据集上全面评估了所提出的训练框架，结果显示其相比现有最先进方法有显著改进。特别是，我们提出的方法实际上能够在 NVIDIA Jetson AGX Xavier 上实现内存高效的 3DGS 训练，在达到相似视觉质量的同时，峰值训练内存消耗比原始 3DGS 降低高达 80%。
引用
@article{arxiv.2604.20046,
title = {Gaussians on a Diet: High-Quality Memory-Bounded 3D Gaussian Splatting Training},
author = {Yangming Zhang and Jian Xu and Chaojian Li and Kunxiong Zhu and Wei Niu and Gagan Agrawal and Yang Katie Zhao and Jian Wang and Yingyan Celine Lin and Miao Yin},
journal= {arXiv preprint arXiv:2604.20046},
year = {2026}
}