AdpSplit: Error-Driven Adaptive Splitting for Faster Geometry Discovery in 3D Gaussian Splatting

📄 arXiv: 2605.06876v1 📥 PDF

作者: Yongjae Lee, Jingxing Li, Abhay Kumar Yadav, Rama Chellappa, Deliang Fan

分类: cs.CV

发布日期: 2026-05-07

💡 一句话要点

提出AdpSplit：一种基于误差驱动的自适应分裂算子，旨在加速3D高斯泼溅的几何发现过程。

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

关键词: 3D高斯泼溅 三维重建 自适应密度控制 几何发现 渲染加速 计算机视觉

📋 核心要点

  1. 原生3DGS依赖固定基数的二元分裂，导致在发现精细几何结构时需要冗长的致密化迭代，训练效率低下。
  2. AdpSplit引入误差驱动机制，利用L1像素误差统计动态决定分裂子节点数量及参数初始化，实现更高效的几何建模。
  3. 实验证明该方法可作为即插即用模块，在多个数据集上显著缩短训练时间，并保持与全周期训练相当的渲染质量。

📝 摘要（中文）

3D高斯泼溅（3DGS）中的自适应密度控制通常依赖于固定基数的随机分裂来发现场景结构。然而，原生3DGS的二元分裂算子需要多次致密化迭代才能显现精细细节，这成为了限制训练效率的瓶颈。本文提出了AdpSplit，这是一种误差驱动的自适应分裂算子。它通过L1像素误差区域统计信息来确定分裂子节点的数量并初始化其参数，从而减少了所需的致密化迭代次数，在缩短训练时间的同时保持了全周期训练的渲染质量。在MipNeRF360、Deep-Blending和Tanks&Temples数据集上的实验表明，作为标准分裂算子的直接替代方案，AdpSplit可使多种加速3DGS流水线的训练时间缩短9.2%至22.3%。在FastGS框架下，AdpSplit在保持PSNR指标的同时，训练时间缩短了16.4%，实现了相比原生3DGS高达12.6倍的加速。

🔬 方法详解

问题定义：3DGS训练过程中，高斯球的密度控制依赖于简单的二元分裂策略。这种方法在处理复杂场景时，需要大量的迭代次数才能通过随机分裂逐步逼近精细几何，导致训练周期过长，难以满足实时或快速建模的需求。

核心思路：论文提出将“分裂”过程从随机性转变为误差驱动。通过分析渲染图像的L1像素误差分布，识别出需要进一步细化的区域，并根据误差强度动态决定分裂出的子高斯数量，从而更精准、快速地覆盖场景细节。

技术框架：AdpSplit作为一个即插即用的算子，集成在3DGS的训练循环中。它在每个致密化阶段计算像素级的误差图，根据误差区域的统计特性触发自适应分裂逻辑，替代原有的固定二元分裂操作，直接更新高斯球的参数分布。

关键创新：其核心创新在于“误差驱动”的自适应性。不同于传统方法盲目地将一个高斯球分裂为两个，AdpSplit能够根据局部误差分布决定分裂的规模，这种策略更符合几何发现的实际需求，减少了无效的计算开销。

关键设计：该方法利用L1像素误差作为反馈信号，通过统计学方法确定子节点的初始化参数。这种设计确保了新生成的子高斯球能够迅速收敛到高误差区域，从而在较少的迭代次数内实现对复杂几何结构的有效拟合。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

AdpSplit在多个主流数据集（MipNeRF360等）上表现优异，作为即插即用模块可将训练时间缩短9.2%-22.3%。在FastGS框架下，该方法在保持PSNR指标不变的前提下，训练时间缩短16.4%，相较于原生3DGS实现了12.6倍的加速，证明了其在提升训练效率方面的显著优势。

🎯 应用场景

该技术适用于对训练速度要求极高的三维重建场景，如实时数字孪生、移动端AR/VR内容生成以及大规模场景的快速建模。通过显著降低训练时间，AdpSplit使得3DGS技术在工业级生产流水线中的应用更具经济性和可行性，特别是在需要频繁更新场景数据的动态环境中具有重要价值。

📄 摘要（原文）

Adaptive density control in 3D Gaussian Splatting (3DGS) repeatedly grows the Gaussian population through fixed-cardinality random splitting to discover useful scene structure. However, in vanilla 3DGS, its binary split operator requires many densification rounds to expose fine details, making it a bottleneck for efficient training schedules with fewer iterations. We introduce AdpSplit, an error-driven adaptive split operator that determines the number of split children and initializes the child parameters from L1-pixel-error region statistics, enabling fewer densification iterations, thus reduced training time, while preserving the rendering quality of full-schedule training. Across the MipNeRF360, Deep-Blending, and Tanks&Temples datasets, AdpSplit reduces the training time of multiple accelerated 3DGS pipelines by 9.2%-22.3% as a simple drop-in replacement for the standard split operator. With FastGS, AdpSplit matches the full-schedule PSNR on MipNeRF360 while reducing training time by 16.4%, corresponding to a 12.6x acceleration over vanilla 3DGS.