一、研究背景

3D 高斯?jié)姙R（3DGS）憑借其高質(zhì)量實時渲染能力，已成為新視角合成領(lǐng)域的主流方法。然而隨著各類變體涌現(xiàn)，學(xué)術(shù)界面臨一個困境：這些工作往往混雜了實現(xiàn)層面的工程優(yōu)化與算法層面的創(chuàng)新，導(dǎo)致難以公平評估哪些改進真正有價值，學(xué)術(shù)比較缺乏統(tǒng)一基準。

與此同時，3DGS 的訓(xùn)練耗時（通常30分鐘以上）成為快速迭代實驗的瓶頸，顯存占用（12GB+）也限制了其在低資源環(huán)境下的應(yīng)用。社區(qū)急需一個集成了所有有效訓(xùn)練加速技巧、標準化的高性能基線——既不改變核心算法，又能大幅提升效率。

Faster-GS 應(yīng)運而生，定位為不犧牲質(zhì)量、不改寫核心算法、僅通過工程與數(shù)值優(yōu)化來提速的新標桿，為后續(xù) 3DGS 變體研究提供了可靠的效率對比基準。

二、核心方法  

Faster-GS 的優(yōu)化策略圍繞減少內(nèi)存訪問和提高計算效率兩條主線展開，分為三個層次：

第一層：基礎(chǔ)實現(xiàn)穩(wěn)定性改進修復(fù)了原始3DGS反向傳播中的數(shù)值穩(wěn)定性問題（精細處理退化四元數(shù)、使用從前往后的 Alpha Blending 梯度計算），并優(yōu)化了顯存中2D均值梯度和可見性掩碼的顯式處理，為上層優(yōu)化奠定基礎(chǔ)。

第二層：整合近期最優(yōu)改進系統(tǒng)整合了社區(qū)內(nèi)已驗證有效的改進：采用軸對齊矩形加不透明度截斷的緊致包圍盒，引入類似 StopThePop 的 Tile 精確剔除，借鑒 SplatShop 的兩階段排序，以及 Taming-3DGS 風格的按高斯并行反傳（原子操作減少256倍）并配合共享內(nèi)存進一步降低開銷。

第三層：新型細化優(yōu)化（核心貢獻）

（1）融合 Adam 更新：開發(fā)自定義 CUDA 融合 Adam 實現(xiàn)，利用快速數(shù)學(xué)運算和 FMA 指令加速參數(shù)更新；

（2）局部性保持增密：定期對高斯進行 Z-order（Morton Code）排序，確?？臻g相鄰的數(shù)據(jù)在內(nèi)存中也相鄰，顯著提升緩存命中率；

（3）反傳與優(yōu)化器完全融合：將參數(shù)更新直接融合進反向傳播 Kernel，省去單獨調(diào)用優(yōu)化器 Step() 的開銷及額外梯度存儲緩沖區(qū)。

 三、亮點總結(jié) 

亮點一：最高5倍訓(xùn)練加速，質(zhì)量零損失在 Mip-NeRF 360 數(shù)據(jù)集 RTX 4090 測試中，F(xiàn)aster-GS 相比原始 3DGS 平均加速 4.1倍，特定場景峰值超過 5.2倍，平均重建時間縮短至約 163 秒。而在此過程中，高斯的質(zhì)量和數(shù)量完全不變，視覺效果完整保持，實現(xiàn)了魚與熊掌兼得。

亮點二：顯存占用減少約30%通過兩階段排序和反傳優(yōu)化器融合等技術(shù)，顯存使用量減少約 30%，有效拓展了3DGS在資源受限硬件上的應(yīng)用范圍，為邊緣端部署奠定基礎(chǔ)。

亮點三：無縫擴展至4D動態(tài)場景論文展示了 Faster-GS 可無縫遷移到 4D Gaussian Splatting（動態(tài)場景），說明其優(yōu)化思路具有良好的通用性和可擴展性，為3DGS在視頻和動態(tài)場景領(lǐng)域的應(yīng)用提供了高效引擎，是 3DGS 研究者不可多得的工程范本。

──────────────────────────────────────────

上述內(nèi)容包含AI輔助生成，更詳細信息參見兩個鏈接

原文鏈接：https://fhahlbohm.github.io/faster-gaussian-splatting

解讀來源：https://blog.csdn.net/qq_60587145/article/details/158742148

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。