SkipGS：高效 3DGS 训练的后稠密向后跳过
计算机视觉与模式识别
2026-03-11 v1
摘要
3D 高斯溶解（3DGS）通过优化数百万各向异性高斯实现新视角合成的实时性能，但其训练仍昂贵，后向传播在后稠密细化阶段占据主导运行时间。我们观察到该阶段存在显著的更新冗余：许多抽样视角的损失接近平台期，提供的梯度收益递减，但常规训练仍执行完整的反向传播。我们提出 SkipGS，采用新颖的视角自适应后向门控机制实现高效后稠密训练。SkipGS 始终执行前向传播以更新每视角损失统计信息，并在抽样视角的损失与其最近的每视角基线相符时选择性跳过后向传播，同时维持最小后向预算以确保优化稳定。在 Mip-NeRF 360 上，与 3DGS 相比，SkipGS 通过 42.0% 的后稠密时间减少，实现端到端训练时间缩减 23.1%，且重建质量相当。由于仅改变何时进行反向传播——而不修改渲染器、表示或损失——SkipGS 是即插即用的，且与其他补充效率策略兼容，可实现额外加速。
引用
@article{arxiv.2603.08997,
title = {SkipGS: Post-Densification Backward Skipping for Efficient 3DGS Training},
author = {Jingxing Li and Yongjae Leeand and Deliang Fan},
journal= {arXiv preprint arXiv:2603.08997},
year = {2026}
}