加速3D高斯的学习：使用更短的高斯列表
计算机视觉与模式识别
2026-03-11 v1
摘要
3D 高斯溶解（3DGS）已成为从多个定位图像中学习辐射场的重要工具。虽然3DGS在渲染质量和效率方面显示出巨大优势，但提高3D高斯学习效率仍是一个研究挑战。为克服这一挑战，我们提出了新的训练策略和损失函数，以缩短用于渲染像素的每个高斯列表，从而加快溶解速度，通过涉及更少的高斯沿射线。具体而言，我们定期重置高斯的尺度，以缩小每个高斯的大小，鼓励较小的高斯覆盖更少的相邻像素，从而缩短像素的高斯列表。此外，我们引入了alpha混合过程中熵约束，以锐化沿每条射线的权重分布，使主导权重变大，次要权重变小。结果是，每个高斯更专注于其主导像素所在的像素，这会减少其对相邻像素的影响，导致更短的高斯列表。最终，我们将该方法集成到渲染分辨率调度器中，通过逐步分辨率增加进一步提高效率。我们通过在广泛使用的基准数据集上与最先进的方法进行比较来评估该方法。我们的结果在不牺牲渲染质量的前提下，在效率方面显著优于其他方法。
引用
@article{arxiv.2603.09277,
title = {Speeding Up the Learning of 3D Gaussians with Much Shorter Gaussian Lists},
author = {Jiaqi Liu and Zhizhong Han},
journal= {arXiv preprint arXiv:2603.09277},
year = {2026}
}
备注
Accepted to CVPR 2026. Project page: https://github.com/MachinePerceptionLab/ShorterSplatting