💻 computer science

ImprovedGS+: A High-Performance C++/CUDA Re-Implementation Strategy for 3D Gaussian Splatting

ImprovedGS+ 是 LichtFeld-Studio 框架内对 3D 高斯泼溅（3D Gaussian Splatting）的高性能 C++/CUDA 重实现，它利用硬件优化内核与自适应调度，在实现优于最先进基线的卓越重建质量的同时，显著降低了训练时间与参数复杂度。

原作者： Jordi Muñoz Vicente

发布于 2026-03-10

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jordi Muñoz Vicente

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图在电脑屏幕上绘制一幅超写实的3D景观。旧有的方法（称为“3D高斯泼溅”）就像是用一桶颜料，将成千上万个微小、随机的点抛向画布。有些点落在了该落的位置，但许多都被浪费了，而且这个过程非常缓慢，因为计算机必须不断检查并重新检查每个点的位置。

本文介绍了ImprovedGS+，它就像是将一桶颜料升级为了高速、激光引导的喷漆器。这是对软件代码的彻底重写，从一种“缓慢而灵活”的语言（Python）转向一种“快速而刚性”的语言（C++/CUDA），使其能够直接与计算机的显卡对话。

以下是他们如何利用简单的类比使系统更快、更好的方法：

1. “智能分割”（长轴分割）

问题： 在旧方法中，当计算机需要在特定位置增加细节时，它会复制一个点并将其分割成两个，而且往往是盲目地分割。这就像面包师将一条面包随意切成两块，希望其中一块能契合三明治的形状。
解决方案： ImprovedGS+ 采用了长轴分割。想象一下，面包师不再随意切割，而是观察面包，发现它又长又细，于是沿着其长度完美地将其切开。

工作原理： 软件识别3D点的“最长”方向，并仅沿该方向进行分割。
结果： 这一步骤直接在显卡（GPU）上瞬间完成，无需计算机的“大脑”（CPU）停下来与其沟通。这就像面包师拥有一台激光切割机，能在纳秒级时间内切好面包，而不是由人类使用刀具切割。

2. “边缘侦探”（拉普拉斯滤波器）

问题： 旧方法有时会因平面（如一面空白墙壁）而感到困惑，添加了过多的点，从而产生“噪点”或静电干扰，就像信号不良的电视画面。
解决方案： 团队构建了一个直接在显卡上运行的定制“边缘侦探”。它观察图像，仅在存在锐利边缘或真实形状（如杯子的边缘或树的轮廓）的地方添加新点。

结果： 它忽略无聊的平坦部分，将精力集中在有趣的部分。这阻止了计算机将时间浪费在空旷处绘制点上。

3. “智能调度”（指数尺度调度器）

问题： 学习绘制场景是一项棘手的工作。如果在开始时画得太快，就会错过细节；如果在结束时画得太慢，就永远无法完成。
解决方案： 他们创建了一个充当教练的训练调度计划。

第一阶段（冲刺）： 在开始时，点被指示快速移动和生长，以迅速覆盖整个场景。
第二阶段（马拉松）： 随着时间的推移，“限速”逐渐降低。点会减速，进行微小的精确调整，以捕捉树叶或砖块纹理等精细细节。
结果： 场景构建得很快，但随后会稳定下来，呈现出极其清晰和逼真的效果。

结果：更快、更小、更好

作者在著名的3D场景集（Mip-NeRF360）上测试了该方法。以下是他们的发现：

速度： 他们将训练时间缩短了约27%。如果一个场景以前需要一小时来构建，现在大约只需43分钟。每个场景节省了大约17分钟。
效率： 他们使用了少13%的点（高斯点）来获得相同或更好的图像质量。这就像用更少的笔触绘制出一幅杰作。
质量： 在某些测试中，图像质量（以PSNR衡量，即清晰度评分）实际上高于之前的最佳方法，尽管他们使用了更少的资源。

总结

ImprovedGS+ 是对3D绘画工具的“底层”重新工程。通过用计算机的母语（C++/CUDA）交流，并利用针对分割和放置点的智能、专用规则，他们创建了一个系统，该系统比之前的最佳工具速度更快、占用内存更少，并能生成更清晰的图像。这证明了你不需要向问题投入更多资源；你只需要更有效地组织现有的资源。

技术摘要：ImprovedGS+

问题陈述

3D 高斯泼溅（3DGS）的最新进展促使人们必须在重建保真度与计算效率之间寻求平衡。虽然现有的策略（如 ImprovedGS）提供了稳健的致密化框架，但它们往往依赖于高级 Python 逻辑。这种依赖由于过度的主机 - 设备同步和多次内存传递而造成了瓶颈，限制了训练吞吐量和时间效率。挑战在于将这些策略重新架构为低级原生实现，在最小化同步开销的同时，不损害复杂、大规模环境所需的视觉质量。

方法论

作者提出了 ImprovedGS+，这是 ImprovedGS 策略的高性能重新实现，使用 C++ 和 CUDA 在 LichtFeld-Studio 框架内原生开发。该方法论从基于 Python 的逻辑转向优化内核，重点关注三项主要技术创新：

1. 基于自定义拉普拉斯算子的重要性内核与 NMS
为了生成用于致密化的精确结构重要性图，作者用蒸馏的、CUDA 原生流水线取代了高级框架调用，该流水线模仿了 Canny 边缘检测逻辑：

预处理： 灰度转换和高斯模糊（5×5）存储于常量内存中以过滤噪声。
梯度提取： 使用 Sobel 算子并行计算幅值和方向。
非极大值抑制（NMS）： 一个自定义的细化内核通过沿梯度向量比较幅值，隔离几何流形。
结果： 这种方法产生了一个“细化的结构骨架”，通过确保基元仅放置在真实的几何边界上，防止了“致密化漂移”，同时中值归一化减轻了光度异常值的影响。

2. 直接 CUDA 内核长轴分裂（LAS）
ImprovedGS+ 用单一的、专用的 CUDA 内核实现的独占 长轴分裂（LAS） 策略，取代了标准的各向同性分裂和克隆。

统一逻辑： 与需要多次内存传递的原始 Python 实现不同，整个分裂逻辑封装在一个内核中，在单个高斯级别并行计算几何和属性操作。
数值一致性： 该内核在原始存储数据（尺度的对数空间）上运行，以确保在收缩操作期间的数值一致性。
优化变换： 新的高斯位置的全局坐标变换通过提取旋转矩阵中对应于主轴的特定列进行了优化。这将操作从完整的 3×3 矩阵 - 向量乘法（9 次乘法，6 次加法）减少为简单的线性缩放（3 次乘法）。
算法： 分裂涉及将最长轴收缩 $\alpha=0.5$ 倍，次长轴收缩 $\gamma=0.85$ 倍，并将不透明度降低 $\beta=0.6$ ，然后再转换回 logit 空间。

3. 自适应学习调度与细化
作者引入了两阶段细化过程和修改后的学习率，以补偿高斯克隆的移除：

指数尺度调度器： 一种学习率调度方案，利用指数衰减（ $\gamma=0.1$ ）从较高的初始尺度率（0.020）过渡到最终值（0.002）。这促进了第一阶段中的快速体积扩张和第二阶段的精度细化。
位置学习率优化： 与基线（0.00004 到 0.000002）相比，位置学习率显著增加（初始 0.000128，衰减至 0.0000128）。这允许更细粒度的移动和基元的精确放置。
全局预热阶段： 在前三个致密化步骤（迭代 500、1000、1500）中，暂停梯度阈值掩蔽。这允许高斯仅基于边缘分数进行分裂，确保在开始严格的结构细化之前，具有广阔、低梯度表面的室外场景得到充分填充。
固定致密化间隔： 致密化窗口被限制为总共 30 步（从迭代 500 到 15,000），以最小化计算开销。

主要贡献

原生 C++/CUDA 实现： 对 ImprovedGS 进行了完整的低级重构，消除了 Python 开销，显著减少了主机 - 设备同步。
长轴分裂（LAS）内核： 一个自定义 CUDA 内核，在单次传递中执行分裂、克隆和全局坐标变换，优化了内存使用量和计算速度。
增强的边缘检测： 一个带有 NMS 的自定义基于拉普拉斯算子的重要性内核，减少了平面上的点状噪声，并将致密化集中在真实的几何边界上。
自适应调度： 引入了指数尺度调度器和优化的位置学习率，提高了初始收敛速度和终端指标（PSNR/SSIM）。

实验结果

实验在 Mip-NeRF360 数据集（9 个场景）上使用 NVIDIA RTX A4500 GPU 进行，将 ImprovedGS+ 与 MCMC 基线和 ADC 策略进行了比较。

1M 预算变体： 与最先进的 MCMC 基线相比，ImprovedGS+（1M 预算）实现了：
- 训练时间减少 26.8%（每次会话节省 17 分钟）。
- 使用的高斯数量减少 13.3%。
- 更优越的视觉质量，PSNR 提高了 0.15 dB（28.79 对比 28.64），SSIM 提高（0.859 对比 0.848）。
完整变体： 与 ADC 基线相比，完整的 ImprovedGS+ 变体展示了：
- PSNR 提高 1.28 dB（29.38 对比 28.10）。
- 参数复杂度降低 38.4%（1.688M 高斯对比 2.741M）。
- 训练在与 MCMC 1M 基线相同的时间窗口内完成，表明具有更高的架构吞吐量。
消融研究： 移除指数尺度调度器导致终端指标出现可测量的下降（例如，Bonsai 场景的 PSNR 下降了 0.42 dB），证实了其在稳定结构细节方面的必要性。

意义与主张

该论文声称，ImprovedGS+ 在 LichtFeld-Studio 生态系统内建立了场景重建的 新帕累托最优前沿。它验证了该方法是一种可扩展、高速的解决方案，坚守了 速度、质量和可用性 的核心支柱。

作者强调，他们的方法在无需耗尽最大允许预算的情况下实现了高保真重建（例如，在"Room"场景中，仅使用 0.591M 高斯就实现了优于 MCMC 的 1.000M 高斯的 PSNR）。这项工作表明，从高级逻辑转向优化的低级内核，并结合策略性的算法修改（LAS、自适应调度），可以显著降低训练延迟和参数复杂度，同时保持或提高视觉保真度。