💻 computer science

AdaGScale: Viewpoint-Adaptive Gaussian Scaling in 3D Gaussian Splatting to Reduce Gaussian-Tile Pairs

本文提出了 AdaGScale，一种基于视点自适应高斯缩放的新颖技术，通过预处理阶段评估并缩小高斯在边缘区域的贡献范围以减少高斯 - 图元对的数量，从而在保持图像质量基本不变的前提下显著提升了 3D 高斯泼溅（3D-GS）的 GPU 渲染速度。

原作者： Joongho Jo, Hyerin Lim, Hanjun Choi, Jongsun Park

发布于 2026-04-22

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Joongho Jo, Hyerin Lim, Hanjun Choi, Jongsun Park

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

这篇论文介绍了一种名为 AdaGScale 的新技术，它的目的是让 3D 场景的渲染（也就是在电脑屏幕上画出逼真的 3D 画面）变得更快，同时画面质量几乎不下降。

为了让你更容易理解，我们可以把 3D 渲染想象成在一个巨大的画室里，成千上万个画家同时在一面巨大的墙上作画。

1. 背景：现在的“画家”太忙了

在传统的 3D 渲染技术（3D Gaussian Splatting）中，整个场景是由数百万个微小的“光点”（高斯球）组成的。

原来的工作流程：电脑要把每一个光点，和墙上的每一块小瓷砖（屏幕上的像素块）都检查一遍，看看它们有没有重叠。
问题所在：这就像让每一个画家去检查整面墙上的每一块砖，哪怕那个画家离那块砖非常远，他的画笔根本够不着。这种“盲目检查”浪费了大量的时间和算力，导致画面刷新率（FPS）不够快，无法在 VR 眼镜等设备上实现流畅的实时体验。

2. 核心发现：有些“画家”其实不重要

作者发现了一个有趣的现象：

当一个光点（画家）离某块瓷砖（墙砖）很远时，它虽然理论上能“看到”这块砖，但它对这块砖颜色的贡献微乎其微，几乎可以忽略不计。
这就好比一个站在房间角落的画家，他的画笔稍微抖一下，根本影响不到房间另一头墙上的颜色。

3. 解决方案：AdaGScale（智能“缩水”策略）

AdaGScale 就像是一个聪明的工头，它发明了一套“自适应缩放”的方法：

第一步：给每个画家发一张“影响力地图”（预处理）

在正式画画之前，工头会快速计算一下：

这个光点离屏幕边缘有多远？
它在边缘区域对颜色的贡献有多大？
如果贡献太小，我们就给它画一个更小的“活动范围”。

第二步：只让画家管“管得着”的地方（减少配对）

原来的做法：不管多远，只要光点能碰到瓷砖，就算一对“光点 - 瓷砖”组合，都要去计算。
AdaGScale 的做法：如果工头发现某个光点离某块瓷砖太远，贡献太小，它就直接把这个光点的“活动范围”缩小。
- 比喻：就像给画家发了一张缩小版的“管辖地图”。如果地图缩小了，原本需要检查的 10 块砖，现在可能只覆盖 3 块。剩下的 7 块砖，画家直接“无视”，不用去计算了。
- 结果：需要处理的“光点 - 瓷砖”组合数量大幅减少，电脑的工作量瞬间减轻，速度飞快。

第三步：真正的“大画家”还在（双尺寸策略）

这是最巧妙的地方！

虽然我们在检查阶段把光点的范围缩小了（为了省时间），但在真正上色阶段，电脑依然使用光点原本的大小来计算颜色。
比喻：工头在分配任务时，告诉画家“你只管这 3 块砖，别管远的”（为了快）；但当画家真的开始调色时，他依然拿着原本的大画笔，确保画出来的颜色是准确的。
效果：既省去了大量不必要的计算（因为那些被忽略的远端区域本来贡献就极小），又保证了最终画面的质量几乎看不出差别。

4. 成果：快得惊人

通过这种方法，AdaGScale 取得了惊人的效果：

速度提升：在普通的 3D 场景上，速度提升了 5 倍多；在城市级的大场景（比如整个街区的 3D 模型）上，速度甚至提升了 13.8 倍！
质量损失：画面的清晰度（PSNR）只下降了约 0.5 分贝。对于普通人的眼睛来说，这几乎感觉不到任何区别，就像在高清电视上看 4K 和 4K+ 的区别一样。

总结

AdaGScale 就像是给 3D 渲染系统装上了一个智能过滤器。它不再让电脑去处理那些“远在天边、毫无贡献”的微小计算，而是聪明地告诉电脑：“那些太远的地方，咱们可以假装看不见，直接跳过！”

这样一来，电脑就能把精力集中在真正重要的地方，从而让 VR、AR 和 3D 游戏变得像翻书一样流畅，而画面依然清晰逼真。

1. 研究背景与问题 (Problem)

背景：3D 高斯泼溅（3D-GS）作为一种新兴的新视图合成技术，相比神经辐射场（NeRF）具有更快的渲染速度。然而，在高分辨率（如 4K）和复杂场景（如城市级场景）下，原始 3D-GS 仍难以满足 AR/VR 应用所需的实时渲染帧率（90-120 FPS）。
瓶颈分析：
- 3D-GS 的渲染流程主要包括预处理、高斯 - 瓦片对生成（Gaussian-Tile Pair Generation）、排序和光栅化。
- 分析表明，高斯 - 瓦片对生成、排序和光栅化占据了总运行时间的约 88.1%。
- 这些阶段的计算负载直接取决于高斯 - 瓦片对的数量。
现有方法的局限：
- 现有的加速方法（如 GSCore, AdR-Gaussian, FlashGS）主要通过更精确的几何边界（如 AABB, OBB, 椭圆）来剔除贡献为零的高斯 - 瓦片对。
- 核心问题：这些方法忽略了非零贡献的高斯 - 瓦片对之间的重要性差异。特别是位于高斯中心外围区域（Peripheral Region）的瓦片，其对像素颜色累积的贡献微乎其微，但现有的几何剔除方法并未针对这些低贡献对进行优化。

2. 核心方法论 (Methodology)

作者提出了 AdaGScale（Viewpoint-Adaptive Gaussian Scaling），一种基于视点自适应的高斯缩放技术，其核心思想是根据颜色贡献的重要性，动态调整高斯在瓦片相交测试中的有效大小。

2.1 核心观察

高斯对像素颜色的贡献（Contribution）随着距离高斯中心的距离增加而急剧下降。
位于高斯外围区域（即 $\alpha$ 值较低但仍大于阈值 $\tau=1/255$ 的区域）的瓦片，其累积的颜色贡献非常小，可以安全地忽略而不显著影响图像质量。

2.2 外围分数 (Peripheral Score) 定义

定义外围分数 $PS(G_i, x)$ 为高斯 $G_i$ 在其外围区域（ $\tau \le \alpha < x$ ）内所有像素颜色贡献的总和。
引入用户定义的参数 $K$ （可接受的外围损失），用于确定每个高斯的最大 $\alpha$ 阈值 $Th_i$ 。
目标：找到最大的 $Th_i$ ，使得外围区域的累积贡献不超过 $K$ 。如果 $Th_i > 1/255$ ，则缩小该高斯在相交测试中的覆盖范围。

2.3 高效近似策略 (Efficient Approximation)

由于在预处理阶段无法精确计算 $T_i$ （透射率，依赖于深度排序）和 $\alpha$ 的精确求和，作者提出了一种三阶段近似策略：

透射率近似：用单个常数 $\max(T_i)$ 代替像素特定的 $T_i$ 。实验表明，这种近似对 PSNR 影响极小。
基于深度的上界估计：利用深度（Depth）与 $\max(T_i)$ 的相关性，构建一个基于深度的分段常数上界函数 $T^{Upper}_i(depth)$ 。该函数通过离线校准数据集生成，并在运行时通过查找表（LUT）快速获取。
黎曼和闭式解：将离散的像素求和近似为连续域上的黎曼和（积分），利用高斯函数的性质推导出 $PS$ 的闭式表达式。
- 最终得到 $Th_i$ 的闭式解公式：
  $Th_i = \frac{K}{T^{Upper}_i(depth) \cdot 2\pi\sqrt{\det(G_{cov_i})}} + \tau$
- 该公式仅依赖预处理阶段可用的参数（深度、投影协方差、预设 $K$ ），计算开销极小。

2.4 双大小策略 (Dual-Size Strategy)

这是 AdaGScale 的关键创新点，用于平衡速度与质量：

相交测试阶段 (Tile Intersection Test)：使用缩小后的高斯（基于 $Th_i$ 计算出的阈值）。这减少了相交的瓦片数量，从而减少了生成的高斯 - 瓦片对数量，降低了排序和光栅化的计算量。
颜色累积阶段 (Color Accumulation)：在光栅化计算像素颜色时，保留原始的高斯大小和原始 $\alpha$ 阈值 ( $\tau = 1/255$ )。
效果：既大幅减少了需要处理的高斯 - 瓦片对数量（加速），又确保了最终渲染的像素颜色计算是精确的（保真）。

3. 主要贡献 (Key Contributions)

外围分数近似方法：提出了一种在预处理阶段高效估算高斯外围颜色贡献的方法，无需重训练或额外的推理开销。
AdaGScale 技术：提出了一种视点自适应的高斯缩放技术，能够根据外围分数动态剔除低重要性的瓦片对。
无缝集成与显著加速：证明了该方法可以无缝集成到现有的 3D-GS 流程中（无需重训练），并在保持图像质量的同时实现了显著的 GPU 加速。

4. 实验结果 (Experimental Results)

实验在 NVIDIA A6000 GPU 上进行，使用了多种数据集（Tanks&Temples, DeepBlending, Mip-NeRF360, UrbanScene3D 等）和多种模型（原始 3D-GS, GaussianSpa, CityGaussian, Scaffold-GS）。

加速性能：
- 在城市级场景（CityGaussian）上，相比原始 3D-GS，实现了 13.8 倍 的几何平均加速。
- 在原始 3D-GS 模型上，实现了 5.46 倍 的几何平均加速。
- 即使在已经经过剪枝的模型（GaussianSpa）和基于 MLP 的实时生成模型（Scaffold-GS）上，也能获得显著的加速（分别为 4.92 倍和 1.26 倍）。
图像质量：
- 在实现上述加速的同时，PSNR 的下降非常小。例如，在城市级场景上，PSNR 仅下降约 0.5 dB。
- 实验表明，即使跳过 80% 的低贡献操作，PSNR 平均仅下降 0.60 dB。
高斯 - 瓦片对减少：
- 在 0.5 dB 的 PSNR 下降目标下，AdaGScale 将原始 3D-GS 的高斯 - 瓦片对数量减少了 43.07%。

5. 意义与结论 (Significance)

突破实时渲染瓶颈：AdaGScale 为 3D-GS 在高分辨率、复杂场景下的实时渲染（如 Apple Vision Pro 所需的 90-120 FPS）提供了强有力的解决方案。
理论创新：首次明确指出了高斯 - 瓦片对之间存在重要性差异，并提出了基于“外围贡献”的自适应缩放策略，突破了以往仅依赖几何剔除的局限。
通用性与兼容性：该方法不需要重新训练模型，可以即插即用地应用于各种现有的 3D-GS 变体和渲染管线中。
效率与质量的平衡：通过“双大小策略”，巧妙地解决了减少计算量与保持渲染精度之间的矛盾，实现了在极低质量损失下的巨大性能提升。

总结：AdaGScale 通过智能地识别并剔除对最终图像贡献微乎其微的高斯 - 瓦片对，同时保留核心渲染逻辑的完整性，成功将 3D-GS 的渲染速度提升了一个数量级，使其更适用于对实时性要求极高的 AR/VR 应用。