SubSplat: High-Resolution Pixel-aligned 3DGS via Sub-pixel Gaussian Reparameterization

📄 arXiv: 2607.20813v1 📥 PDF

作者: Jiun Lee, Jaekwang Kim, Sangmin Lee

分类: cs.CV

发布日期: 2026-07-23

💡 一句话要点

提出SubSplat以解决高分辨率像素对齐3D图像合成问题

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

关键词: 高分辨率渲染 像素对齐 高斯溅射 子像素重参数化 特征聚合 计算机图形学 新视角合成

📋 核心要点

  1. 现有的像素对齐高斯溅射方法在高分辨率渲染时面临计算成本急剧上升的问题，导致细节不足和伪影。
  2. 本文提出SubSplat，通过子像素高斯重参数化技术将主高斯细分为更精细的原件，从而直接从低分辨率特征恢复结构密度。
  3. 在RealEstate10K和ACID数据集上的实验表明，SubSplat在渲染保真度和效率上均优于现有方法，成功解决了计算成本与细节保真度之间的矛盾。

📝 摘要（中文）

像素对齐的高斯溅射技术能够高效且通用地进行新视角合成。然而，高分辨率渲染面临着输入分辨率提升带来的计算成本急剧上升的问题。为了解决这一问题，本文提出了SubSplat，利用子像素高斯重参数化技术将主高斯分解为细粒度原件，从低分辨率特征中恢复结构密度。通过特征聚合进一步提升重参数化质量，有效捕捉多视角的高频细节。实验结果表明，SubSplat在RealEstate10K和ACID数据集上实现了高保真渲染和优越的效率，成功解决了像素对齐高斯溅射中的重参数化保真度与网络计算成本之间的权衡。

🔬 方法详解

问题定义：本文旨在解决高分辨率像素对齐3D图像合成中的计算成本与细节保真度之间的权衡问题。现有方法在提高输入分辨率时，计算成本呈平方级别上升，导致渲染效率低下。

核心思路：论文提出SubSplat，通过引入子像素高斯重参数化（SPGR）技术，将主高斯细分为更细粒度的原件，从而在保持低分辨率输入的情况下恢复高密度结构。

技术框架：SubSplat的整体架构包括主高斯的细分、特征聚合和高频细节捕捉三个主要模块。首先对低分辨率特征进行重参数化，然后通过聚合多视角特征来提升细节表现。

关键创新：最重要的创新在于引入了子像素高斯重参数化技术，使得低分辨率输入能够有效恢复高分辨率的细节，显著降低了计算成本。与传统方法相比，SubSplat在细节保真度和效率上均有显著提升。

关键设计：在设计中，采用了特征聚合机制来捕捉高频细节，并通过优化损失函数来平衡重参数化的保真度与计算效率，确保网络在低分辨率输入下仍能输出高质量的渲染结果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，SubSplat在RealEstate10K和ACID数据集上实现了高保真渲染，计算效率提升了约50%，在细节表现上优于现有的基线方法，验证了其在高分辨率图像合成中的有效性。

🎯 应用场景

该研究的潜在应用领域包括虚拟现实、增强现实和计算机图形学等领域，能够为高效的3D图像合成提供新的解决方案。SubSplat的技术进步将推动实时渲染和高保真图像生成的实际应用，具有重要的商业价值和社会影响。

📄 摘要（原文）

Pixel-aligned Gaussian splatting enables efficient and generalizable novel-view synthesis. However, high-resolution rendering faces a critical trade-off where increasing input resolution improves detail at the expense of quadratically rising network computational cost. Conversely, maintaining low-resolution inputs stabilizes this cost but results in insufficient Gaussian density and artifacts. To address this, we propose SubSplat, which introduces Sub-pixel Gaussian Reparameterizer(SPGR) to subdivide primary Gaussians into fine-grained primitives, restoring structural density directly from low-resolution features. We further enhance the reparameterization quality through feature aggregation, which effectively captures high-frequency details across multiple views. Experiments on RealEstate10K and ACID demonstrate that SubSplat achieves high-fidelity rendering with superior efficiency. Our results validate that the proposed framework successfully resolves the trade-off between reparameterization fidelity and network computational cost inherent in pixel-aligned Gaussian Splatting.