LiteVoxel：低内存智能阈值化用于高效体素光栅化
计算机视觉与模式识别
2025-11-05 v1
摘要
稀疏体素光栅化是一种用于优化式场景重建的快速、可微方法，但容易欠拟合低频内容、依赖脆弱的剪枝启发式方法，并且可能因体积占用过大而膨胀。我们引入LiteVoxel，一个自调节训练管道，使稀疏体素光栅化既更稳定又更轻量。我们的损失函数通过反向Sober重加权并在中期训练时采用伽马斜率，将梯度预算从平坦区域移植出来，仅在几何稳定后才这样做。适应性方法将固定阈值替换为基于最大混合权重深度分位数的剪枝逻辑，通过EMA滞后保护器稳定化，并通过基于射线足迹的、优先级驱动的细分在明确的增长预算下 refined 结构。跨Mip-NeRF 360（6个场景）和Tanks & Temples（3个场景）数据集的消融实验和完整系统结果显示，在保持PSNR/SSIM、训练时间和FPS与强大的SVRaster管道相当的同时，LiteVoxel在低频区域减轻了错误，同时消除了边界不稳定性，同时保持了保真度。关键的是，LiteVoxel将峰值VRAM降低约40%-60%，并保留了先前方案遗漏的低频细节，使训练更具可预测性、更高效，同时不牺牲感知质量。
引用
@article{arxiv.2511.02510,
title = {LiteVoxel: Low-memory Intelligent Thresholding for Efficient Voxel Rasterization},
author = {Jee Won Lee and Jongseong Brad Choi},
journal= {arXiv preprint arXiv:2511.02510},
year = {2025}
}