Faster-GS——系統性加速3D高斯潑濺訓練的新基準 | CVPR 2026

 一、研究背景

3D 高斯潑濺（3DGS）憑借其高質量實時渲染能力，已成為新視角合成領域的主流方法。然而隨著各類變體涌現，學術界面臨一個困境：這些工作往往混雜了實現層面的工程優化與算法層面的創新，導致難以公平評估哪些改進真正有價值，學術比較缺乏統一基準。

與此同時，3DGS 的訓練耗時（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境下的應用。社區急需一個集成了所有有效訓練加速技巧、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 應運而生，定位為不犧牲質量、不改寫核心算法、僅通過工程與數值優化來提速的新標桿，為后續 3DGS 變體研究提供了可靠的效率對比基準。

二、核心方法  

Faster-GS 的優化策略圍繞減少內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：基礎實現穩定性改進修復了原始3DGS反向傳播中的數值穩定性問題（精細處理退化四元數、使用從前往后的 Alpha Blending 梯度計算），并優化了顯存中2D均值梯度和可見性掩碼的顯式處理，為上層優化奠定基礎。

第二層：整合近期最優改進系統整合了社區內已驗證有效的改進：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）并配合共享內存進一步降低開銷。

第三層：新型細化優化（核心貢獻）

（1）融合 Adam 更新：開發自定義 CUDA 融合 Adam 實現，利用快速數學運算和 FMA 指令加速參數更新；

（2）局部性保持增密：定期對高斯進行 Z-order（Morton Code）排序，確保空間相鄰的數據在內存中也相鄰，顯著提升緩存命中率；

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

 三、亮點總結 

亮點一：最高5倍訓練加速，質量零損失在 Mip-NeRF 360 數據集 RTX 4090 測試中，Faster-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，高斯的質量和數量完全不變，視覺效果完整保持，實現了魚與熊掌兼得。

亮點二：顯存占用減少約30%通過兩階段排序和反傳優化器融合等技術，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用范圍，為邊緣端部署奠定基礎。

亮點三：無縫擴展至4D動態場景論文展示了 Faster-GS 可無縫遷移到 4D Gaussian Splatting（動態場景），說明其優化思路具有良好的通用性和可擴展性，為3DGS在視頻和動態場景領域的應用提供了高效引擎，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