12 月 17 日消息，在香港舉辦的全球圖形學(xué)領(lǐng)域?qū)W術(shù)盛會(huì) SIGGRAPH Asia 2025 上，摩爾線(xiàn)程今日在 3D Gaussian Splatting Reconstruction Challenge（3DGS 重建挑戰(zhàn)賽）中憑借自研技術(shù) LiteGS 斬獲銀獎(jiǎng)。
3D Gaussian Splatting（3DGS，三維高斯濺射）是 2023 年提出的一項(xiàng) 3D 場(chǎng)景表示與渲染技術(shù)，以可參數(shù)化的 3D 高斯分布為核心，實(shí)現(xiàn)了畫(huà)質(zhì)、效率與資源占用之間的平衡。與傳統(tǒng) NeRF 相比，3DGS 在保持逼真渲染質(zhì)量的前提下，將渲染效率提升數(shù)百至上千倍，并在光線(xiàn)追蹤、VR / AR 實(shí)時(shí)渲染、多模態(tài)融合等方向展現(xiàn)出極強(qiáng)的適應(yīng)性與擴(kuò)展性。
本次競(jìng)賽為參賽團(tuán)隊(duì)設(shè)置的任務(wù)為：參賽者需在 60 秒內(nèi)，基于主辦方提供的真實(shí)終端視頻序列（10–30 秒）、存在誤差的相機(jī)軌跡以及終端 SLAM 點(diǎn)云，在極短時(shí)間內(nèi)完成完整的 3DGS 高質(zhì)量重建。
摩爾線(xiàn)程 AI 團(tuán)隊(duì)以參賽編號(hào)“MT-AI”進(jìn)入決賽階段，在重建精度與效率兩項(xiàng)指標(biāo)上取得亮眼表現(xiàn)：
平均 PSNR：27.58（位列前三）
重建耗時(shí)：34 秒（領(lǐng)先多數(shù)隊(duì)伍）
憑借 3DGS 算法構(gòu)建能力與軟硬件協(xié)同優(yōu)化優(yōu)勢(shì)，摩爾線(xiàn)程最終獲得二等獎(jiǎng)（銀牌）的成績(jī)。
作為一種新興的場(chǎng)景表示與新視角合成技術(shù)，3DGS 憑借高渲染質(zhì)量與實(shí)時(shí)渲染速度，在計(jì)算機(jī)圖形學(xué)與視覺(jué)領(lǐng)域?qū)崿F(xiàn)了顯著突破。該技術(shù)通過(guò)數(shù)以百萬(wàn)計(jì)的各向異性三維高斯基元來(lái)表示三維場(chǎng)景，以實(shí)現(xiàn)逼真的渲染效果，并在自動(dòng)駕駛、虛擬現(xiàn)實(shí)、數(shù)字孿生等領(lǐng)域展現(xiàn)出巨大潛力。
然而，盡管 3DGS 的渲染速度極快，其訓(xùn)練過(guò)程卻往往需要數(shù)十分鐘甚至數(shù)小時(shí)，成為制約其廣泛應(yīng)用的主要瓶頸。現(xiàn)有優(yōu)化方案往往僅從單一層面入手，難以系統(tǒng)性地解決訓(xùn)練過(guò)程中的性能制約。
為此，摩爾線(xiàn)程自主研發(fā)了 3DGS 基礎(chǔ)庫(kù) LiteGS，首次實(shí)現(xiàn)了從底層 GPU 系統(tǒng)、中層數(shù)據(jù)管理到高層算法設(shè)計(jì)的全鏈路協(xié)同優(yōu)化：
在 GPU 系統(tǒng)層面，摩爾線(xiàn)程創(chuàng)新提出基于“One Warp Per Tile”原則的“Warp-Based Raster”新范式，將梯度聚合簡(jiǎn)化為一次 Warp 內(nèi)歸約，并結(jié)合掃描線(xiàn)算法與混合精度策略，大幅降低梯度計(jì)算開(kāi)銷(xiāo)，同時(shí)實(shí)現(xiàn)高效的像素級(jí)統(tǒng)計(jì)能力；
在數(shù)據(jù)管理層，引入“聚類(lèi)-剔除-壓縮”流水線(xiàn)，借助 Morton 編碼以極低開(kāi)銷(xiāo)對(duì)高斯基元進(jìn)行動(dòng)態(tài)空間重排，顯著提升數(shù)據(jù)局部性，減少緩存失效與 Warp 分支；
在算法設(shè)計(jì)層，摒棄原有模糊的度量指標(biāo)，采用更為魯棒的像素不透明度梯度方差作為致密化的核心判據(jù)，精準(zhǔn)識(shí)別欠擬合區(qū)域，其輕量化計(jì)算直接受益于底層光柵化器的高效統(tǒng)計(jì)支持。
通過(guò)系統(tǒng)與算法的協(xié)同優(yōu)化，LiteGS 在訓(xùn)練效率與重建質(zhì)量上均實(shí)現(xiàn)顯著領(lǐng)先。
在達(dá)到與當(dāng)前質(zhì)量最優(yōu)方案同等水平時(shí)，LiteGS 可獲得 10.8 倍的訓(xùn)練加速，且參數(shù)量減少一半以上；
在相同參數(shù)量下，LiteGS 在 PSNR 指標(biāo)上超出主流方案 0.2–0.4 dB，訓(xùn)練時(shí)間縮短 3.8 至 7 倍。
針對(duì)輕量化模型，LiteGS 僅需原版 3DGS 約 10% 的訓(xùn)練時(shí)間與 20% 的參數(shù)量，即可實(shí)現(xiàn)同等質(zhì)量。
目前，LiteGS 已在 GitHub 平臺(tái)全面開(kāi)源。
