LoBE-GS：面向大规模场景重建的负载均衡高效 3D 高斯溅写
计算机视觉与模式识别
2026-04-13 v2
摘要
3D 高斯溅写 (3DGS) 已成为实时、高保真 3D 场景重建的高效表征方法。然而，将 3DGS 扩展至大规模且无界场景（如城市街区）仍具挑战。现有分治方法通过将场景划分为多个块并在多个不互通的 GPU 上训练来缓解内存压力，但引入了新的瓶颈：(i) 划分块之间存在严重的负载不均衡，因为均匀或启发式划分未能反映实际计算需求；(ii) 粗到细管线未能有效利用粗阶段，常需重新加载整个模型且开销较大。本文引入 LoBE-GS，一种 novel 的负载均衡高效 3D 高斯溅写框架，通过重新设计大规模 3DGS 管线实现负载均衡。具体而言，LoBE-GS 引入基于优化切割线的负载均衡 KD 树场景划分方案，以平衡每个块的相机数量。为加速预处理，它采用基于深度的反投影实现快速相机分配，将处理时间从数小时缩短至数分钟。此外，通过两种轻量级技术（可见性裁剪和选择性稠密化）进一步降低训练成本。在大规模城市和户外数据集上进行的评估表明，LoBE-GS 在端到端训练时间上始终比最先进的基线快 up to 2 倍，同时保持重建质量，并实现对 vanilla 3DGS 无法覆盖的场景的可扩展性。
引用
@article{arxiv.2510.01767,
title = {LoBE-GS: Load-Balanced and Efficient 3D Gaussian Splatting for Large-Scale Scene Reconstruction},
author = {Sheng-Hsiang Hung and Ting-Yu Yen and Wei-Fang Sun and Simon See and Shih-Hsuan Hung and Hung-Kuo Chu},
journal= {arXiv preprint arXiv:2510.01767},
year = {2026}
}