Ultra-fast Neural Inference for Stochastic Gaussian Splatting Denoising
作者: Chenxiao Hu, Hao Zhang, Yanchen Zhang, Meng Gai, Guoping Wang, Sheng Li
分类: cs.CV, cs.GR
发布日期: 2026-09-22
备注: Video supplements: https://youtu.be/avWpgs4P1s8; https://www.bilibili.com/video/BV1Jkhk6YEcE
💡 一句话要点
提出时序神经去噪方法以解决高斯点云渲染中的噪声问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 随机渲染 高斯点云 时序去噪 视觉效果 实时渲染 计算效率 虚拟现实
📋 核心要点
- 现有的随机渲染方法在消除排序和透明混合的同时，引入了显著的空间噪声，影响了渲染质量。
- 本文提出了一种时序神经去噪器，通过对像素流进行去噪，结合多种技术手段来提高渲染的视觉效果。
- 实验结果表明，该去噪器在自由相机导航下能够实现时序稳定的输出，且去噪开销低于传统方法的时间节省。
📝 摘要（中文）
随机渲染通过消除高斯点云中的排序和透明混合过程来提高效率，但引入了空间噪声。本文提出了一种时序神经去噪器，针对共享视图一致性的随机高斯点云渲染的像素流进行去噪，结合了双路径指数移动平均累积、每像素学习的信任预测、固定各向异性空间滤波器和方差门控组合。该去噪器有效抑制噪声，实现了在自由相机导航下的时序稳定和视觉吸引力的输出，同时保持了无排序、无混合的光栅化性能。尽管与排序透明混合渲染器相比，PSNR存在差距，但去噪器的开销低于去除排序和混合所节省的时间。
🔬 方法详解
问题定义：本文旨在解决随机高斯点云渲染中引入的空间噪声问题。现有方法在消除排序和透明混合的同时，导致渲染质量下降，影响用户体验。
核心思路：提出的时序神经去噪器通过对共享的像素流进行处理，结合多种技术手段（如双路径指数移动平均和学习的信任预测）来有效抑制噪声，提升渲染质量。
技术框架：整体架构包括多个模块：首先是像素流的输入，然后通过双路径指数移动平均进行累积，接着应用每像素的信任预测进行历史验证，最后使用固定的各向异性空间滤波器和方差门控组合进行去噪。
关键创新：最重要的创新在于结合了多种去噪技术，尤其是学习的信任预测和方差门控组合，使得去噪效果显著优于传统方法，且保持了高效的渲染性能。
关键设计：在设计中，采用了双路径指数移动平均来平滑噪声，使用每像素的信任预测来验证历史数据的有效性，并设置了固定的各向异性空间滤波器以增强去噪效果。
🖼️ 关键图片
📊 实验亮点
实验结果显示，该去噪器在自由相机导航下实现了显著的视觉质量提升，PSNR值虽然与排序透明混合渲染器存在差距，但去噪器的计算开销低于传统方法所节省的时间，证明了其高效性。
🎯 应用场景
该研究具有广泛的应用潜力，尤其在实时渲染、虚拟现实和游戏开发等领域。通过提高渲染质量和效率，能够为用户提供更流畅的视觉体验，推动相关技术的发展与应用。
📄 摘要（原文）
Stochastic rendering eliminates the sorting and alpha blending process in Gaussian splatting, at the cost of introducing spatial noise. Formulating temporal denoising over the pixel stream shared by view-consistent stochastic splatting renderers, we propose a temporal neural denoiser validated on stochastic 2D Gaussian Splatting rendering, combining dual-path exponential moving average accumulation, per-pixel learned trust prediction for history validation, a fixed anisotropic spatial filter and a variance-gated composition with stabilization. The denoiser suppresses the noise, achieving temporally stable, visually compelling outputs during free camera navigation, all while retaining the sort-free, blend-free rasterization performance. The combined pipeline retains a PSNR gap to sorted alpha-blending renderers, but the denoiser's overhead stays below the time saved by removing sorting and blending.