Decomposing Densification in Gaussian Splatting for Faster 3D Scene Reconstruction

📄 arXiv: 2507.20239v1 📥 PDF

作者: Binxiao Huang, Zhengwu Liu, Ngai Wong

分类: cs.CV

发布日期: 2025-07-27

💡 一句话要点

提出全局到局部高斯增长策略，加速3D场景重建并提升渲染质量。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 3D高斯溅射 场景重建 致密化策略 多分辨率训练 全局到局部 能量引导 动态剪枝

📋 核心要点

  1. 3D高斯溅射训练收敛慢，原因是低效的致密化和高斯基元次优的空间分布。
  2. 提出全局到局部的致密化策略，配合能量引导的多分辨率训练框架，提升高斯基元的空间扩散。
  3. 实验表明，该方法能显著加速训练，减少高斯基元数量，并提升重建性能。

📝 摘要（中文）

本文针对3D高斯溅射(GS)在高质量场景重建中训练缓慢的问题，分析了GS致密化阶段的分裂和克隆操作，揭示了它们在细节保持和计算效率之间的不同作用。在此基础上，提出了一种全局到局部的致密化策略，促进高斯基元在场景空间中更有效地增长，兼顾全局覆盖和局部细化。为了配合该策略，并促进高斯基元在空间中的充分扩散，引入了一种能量引导的由粗到精的多分辨率训练框架，该框架基于2D图像中的能量密度逐步提高分辨率。此外，还动态地修剪不必要的高斯基元以加速训练。在MipNeRF-360、Deep Blending和Tanks & Temples数据集上的实验表明，该方法显著加速了训练，以更少的高斯基元实现了超过2倍的加速和卓越的重建性能。

🔬 方法详解

问题定义：现有3D高斯溅射(GS)方法在场景重建时，由于致密化过程效率低下以及高斯基元空间分布不佳，导致训练收敛速度慢。分裂和克隆操作在细节保留和计算效率之间存在权衡，如何有效地平衡两者是关键问题。

核心思路：论文的核心思路是提出一种全局到局部的致密化策略，先进行全局覆盖，再进行局部细化，从而更有效地利用高斯基元。同时，结合能量引导的多分辨率训练框架，促进高斯基元在空间中的充分扩散，并动态剪枝不必要的高斯基元，以加速训练。

技术框架：整体框架包含以下几个主要阶段：1) 初始化高斯基元；2) 全局到局部的致密化策略，包括分裂和克隆操作；3) 能量引导的多分辨率训练，根据图像能量密度逐步提高分辨率；4) 动态剪枝，移除不必要的高斯基元。这些阶段循环迭代，直至训练收敛。

关键创新：最重要的创新点在于全局到局部的致密化策略以及能量引导的多分辨率训练框架。传统方法可能采用随机或局部策略进行致密化，而本文提出的方法能够更有效地利用高斯基元，实现更快的收敛速度和更好的重建效果。能量引导的多分辨率训练能够根据图像信息自适应地调整训练分辨率，避免了在高分辨率下进行不必要的计算。

关键设计：能量引导的多分辨率训练框架中，能量密度计算方式未知。动态剪枝策略的具体实现细节未知。全局到局部致密化策略中，如何确定全局和局部的划分标准未知。损失函数可能包含渲染损失、正则化项等，具体形式未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法在MipNeRF-360、Deep Blending和Tanks & Temples数据集上实现了超过2倍的训练加速，同时减少了高斯基元的数量，并获得了更优的重建性能。这些结果表明，该方法在效率和质量上都优于现有方法，具有显著的优势。

🎯 应用场景

该研究成果可应用于三维场景重建、虚拟现实、增强现实、机器人导航等领域。通过加速场景重建过程，可以更快地构建高质量的3D模型，提升用户体验。在机器人领域，可以帮助机器人更快地理解周围环境，从而实现更智能的导航和交互。未来，该技术有望在自动驾驶、城市建模等领域发挥重要作用。

📄 摘要（原文）

3D Gaussian Splatting (GS) has emerged as a powerful representation for high-quality scene reconstruction, offering compelling rendering quality. However, the training process of GS often suffers from slow convergence due to inefficient densification and suboptimal spatial distribution of Gaussian primitives. In this work, we present a comprehensive analysis of the split and clone operations during the densification phase, revealing their distinct roles in balancing detail preservation and computational efficiency. Building upon this analysis, we propose a global-to-local densification strategy, which facilitates more efficient growth of Gaussians across the scene space, promoting both global coverage and local refinement. To cooperate with the proposed densification strategy and promote sufficient diffusion of Gaussian primitives in space, we introduce an energy-guided coarse-to-fine multi-resolution training framework, which gradually increases resolution based on energy density in 2D images. Additionally, we dynamically prune unnecessary Gaussian primitives to speed up the training. Extensive experiments on MipNeRF-360, Deep Blending, and Tanks & Temples datasets demonstrate that our approach significantly accelerates training,achieving over 2x speedup with fewer Gaussian primitives and superior reconstruction performance.