Speeding Up the Learning of 3D Gaussians with Much Shorter Gaussian Lists

📄 arXiv: 2603.09277v1 📥 PDF

作者: Jiaqi Liu, Zhizhong Han

分类: cs.CV

发布日期: 2026-03-10

备注: Accepted to CVPR 2026. Project page: https://github.com/MachinePerceptionLab/ShorterSplatting

💡 一句话要点

提出高斯列表缩短方法，加速3D高斯溅射的辐射场学习

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

关键词: 3D高斯溅射 辐射场 渲染效率 高斯列表缩短 熵约束

📋 核心要点

  1. 现有3D高斯溅射方法在学习效率上仍有提升空间，需要减少渲染时射线上的高斯数量。
  2. 通过定期缩小高斯尺度和引入熵约束，使高斯更聚焦于其主导像素，减少对邻近像素的影响。
  3. 实验结果表明，该方法在不牺牲渲染质量的前提下，显著提高了3D高斯溅射的学习效率。

📝 摘要（中文）

3D高斯溅射(3DGS)已成为从多视角图像中学习辐射场的重要工具。尽管3DGS在渲染质量和效率方面优于NeRF，但进一步提高3D高斯的学习效率仍然是一个研究挑战。为了克服这个挑战，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，从而通过减少沿射线的参与高斯数量来加速溅射过程。具体来说，我们通过定期重置高斯的尺度来缩小每个高斯的大小，鼓励较小的高斯覆盖较少的附近像素，从而缩短像素的高斯列表。此外，我们对alpha混合过程引入熵约束，以锐化沿每条射线的权重分布，从而使主要权重更大，而使次要权重更小。因此，每个高斯更加关注它占主导地位的像素，从而减少了其对附近像素的影响，从而导致更短的高斯列表。最终，我们将我们的方法集成到渲染分辨率调度器中，该调度器通过逐步提高分辨率来进一步提高效率。我们在广泛使用的基准上将我们的方法与最先进的方法进行了比较评估。结果表明，我们的方法在效率方面优于其他方法，且不牺牲渲染质量。

🔬 方法详解

问题定义：现有3D高斯溅射方法在学习辐射场时，渲染每个像素需要遍历的高斯数量较多，导致学习效率较低。痛点在于如何减少参与渲染计算的高斯数量，同时保持渲染质量。

核心思路：核心思路是通过训练策略和损失函数，使得每个高斯尽可能只影响其主导的像素，减少其对周围像素的影响。具体来说，就是让高斯变得更小、更聚焦。这样，在渲染时，每个像素只需要考虑少数几个对其影响较大的高斯，从而缩短高斯列表。

技术框架：整体框架是在标准的3D高斯溅射流程上进行改进。主要包括以下几个模块：1) 高斯参数更新模块：定期重置高斯的尺度，使其变小。2) Alpha混合模块：引入熵约束，锐化权重分布。3) 渲染模块：使用缩短的高斯列表进行渲染。4) 分辨率调度模块：逐步提高渲染分辨率，进一步提高效率。

关键创新：最重要的创新点在于提出了两种策略来缩短高斯列表：一是定期缩小高斯尺度，二是引入熵约束来锐化alpha混合权重。与现有方法不同，该方法不是通过复杂的网络结构或优化算法来提高效率，而是通过简单的训练策略和损失函数来实现。

关键设计：1) 高斯尺度重置：定期将高斯的尺度重置为一个较小的值，例如每隔N次迭代重置一次。2) 熵约束：在alpha混合损失函数中加入一个熵项，鼓励权重分布更加集中。熵损失可以定义为 -sum(w * log(w))，其中w是每个高斯的权重。3) 分辨率调度：从低分辨率开始渲染，逐步提高分辨率，可以加速早期阶段的学习。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该方法在多个benchmark数据集上进行了评估，结果表明，在不牺牲渲染质量的前提下，学习效率显著提高。具体数据未知，但摘要强调了效率方面的优势，表明该方法在加速3D高斯溅射学习方面具有实际价值。

🎯 应用场景

该研究成果可应用于三维重建、虚拟现实、增强现实等领域。通过提高3D高斯溅射的学习效率，可以更快地生成高质量的3D场景，从而加速相关应用的发展。例如，可以用于快速创建虚拟环境、生成逼真的游戏场景、以及实现更高效的机器人导航。

📄 摘要（原文）

3D Gaussian splatting (3DGS) has become a vital tool for learning a radiance field from multiple posed images. Although 3DGS shows great advantages over NeRF in terms of rendering quality and efficiency, it remains a research challenge to further improve the efficiency of learning 3D Gaussians. To overcome this challenge, we propose novel training strategies and losses to shorten each Gaussian list used to render a pixel, which speeds up the splatting by involving fewer Gaussians along a ray. Specifically, we shrink the size of each Gaussian by resetting their scales regularly, encouraging smaller Gaussians to cover fewer nearby pixels, which shortens the Gaussian lists of pixels. Additionally, we introduce an entropy constraint on the alpha blending procedure to sharpen the weight distribution of Gaussians along each ray, which drives dominant weights larger while making minor weights smaller. As a result, each Gaussian becomes more focused on the pixels where it is dominant, which reduces its impact on nearby pixels, leading to even shorter Gaussian lists. Eventually, we integrate our method into a rendering resolution scheduler which further improves efficiency through progressive resolution increase. We evaluate our method by comparing it with state-of-the-art methods on widely used benchmarks. Our results show significant advantages over others in efficiency without sacrificing rendering quality.