面向商业离线边缘设备的基于高斯溅射的环境持续学习提升
计算机视觉与模式识别
2026-03-10 v1
摘要
新视角合成 (NVS) 正在边缘机器人中日益重要，因為需要在紧张的内存和延迟预算下，为 SLAM、导航和检查构建紧凑且可增量更新的 3D 场景模型。变分贝叶斯高斯溅射 (VBGS) 通过维持概率场景模型，实现 3DGS 算法的无回放持续更新，但其高精度计算和大型中间张量使得设备端训练不可行。我们提出一种精度自适应优化框架，使 VBGS 在不改变其变分表述的前提下，可在资源受限硬件上进行训练。我们 (i) 描绘 VBGS 以识别内存/延迟热点， (ii) 融合内存主导的内核以减少物化中间张量， (iii) 通过带有有界相对误差的混合精度搜索自动分配操作级精度。跨 Blender、Habitat 和 Replica 数据集，我们的优化管道将峰值内存从 9.44 GB 降至 1.11 GB，将训练时间从约234分钟缩短至约61分钟（在 A5000 GPU 上），同时保持（在某些情况下甚至提升）VBGS 基准的重建质量。我们还首次在商业嵌入式平台 Jetson Orin Nano 上实现 NVS 训练，将每帧延迟缩短 19 倍相较于 3DGS。
引用
@article{arxiv.2603.08499,
title = {Improving Continual Learning for Gaussian Splatting based Environments Reconstruction on Commercial Off-the-Shelf Edge Devices},
author = {Ivan Zaino and Matteo Risso and Daniele Jahier Pagliari and Miguel de Prado and Toon Van de Maele and Alessio Burrello},
journal= {arXiv preprint arXiv:2603.08499},
year = {2026}
}