木偶树高斯溅射
计算机视觉与模式识别
2026-03-23 v2 图形学
摘要
可从单一模型渲染不同保真度场景的能力，即所谓的细节水平（level of detail, LoD），是实际部署 3D 高斯溅射（3DGS）的关键。现有的离散 LoD 方法暴露出有限的运行点，而同步进行的连续 LoD 方法则常在满容量处出现明显质量下降，使 LoD 成为代价高昂的设计决策。我们引入木偶树高斯溅射（MGS），这是一种训练框架，使标准 3DGS 流水线能够实现连续 LoD，同时不牺牲满容量渲染质量。MGS 学习单个有序的高斯集合，使得渲染任意前缀（即前 k 个高斯）会产生连贯的重建，其保真度随预算增加而平滑提升。我们的关键思想是随机预算训练：每次迭代随机抽取一个预算，并优化相应的前缀以及完整集合。该策略仅需两个前向传播，无需任何架构修改。实验在四个基准和六个基准方法上表明，MGS 在保持满容量性能的同时，实现了来自单一模型的连续速度-保真度权衡。对排序策略、训练目标和模型容量的广泛消融实验进一步验证了设计。
引用
@article{arxiv.2603.19234,
title = {Matryoshka Gaussian Splatting},
author = {Zhilin Guo and Boqiao Zhang and Hakan Aktas and Kyle Fogarty and Jeffrey Hu and Nursena Koprucu Aslan and Wenzhao Li and Canberk Baykal and Albert Miao and Josef Bengtson and Chenliang Zhou and Weihao Xia and Cristina Nader Vasconcelos and Cengiz Oztireli},
journal= {arXiv preprint arXiv:2603.19234},
year = {2026}
}
备注
project page: https://zhilinguo.github.io/MGS