本文选自gongzhonghao【图灵学术SCI论文辅导】

关注我们，掌握更多顶会顶刊发文资讯

---

1.导读

1.1 论文基本信息

• 论文标题：DashGaussian: Optimizing 3D Gaussian Splatting in 200 Seconds

• 作者：Youyu Chen、Junjun Jiang、Kui Jiang、Xiao Tang、Zhihao Li、Xianming Liu、Yinyu Nie

• 作者单位：哈尔滨工业大学、华为诺亚方舟实验室

• 发表信息：arXiv:2503.18402v2 [cs.CV] 26 Mar 2025

• 论文链接：https://arxiv.org/abs/2503.18402

2.论文速读

研究者们提出了一种名为DashGaussian的优化方法，能够显著加快3D高斯绘制（3DGS）的训练速度。该方法通过合理分配计算资源，在不牺牲渲染质量的前提下，将3DGS模型的优化时间缩短至200秒。DashGaussian通过动态调整渲染分辨率和高斯原语数量，有效减少了优化过程中的计算复杂度。

3.研究背景及相关工作

3.1 研究背景

3D高斯绘制（3DGS）是一种利用高斯原语进行场景建模的方法，能够在保持与NeRF相当的渲染质量的同时，显著减少优化时间。然而，现有的3DGS方法在优化过程中仍面临计算效率低下的问题，尤其是在处理大规模场景时。

3.2 相关工作

3.2.1   新视图合成

NeRF作为新视图合成领域的里程碑工作，虽然在视觉质量上取得了显著成果，但优化单个场景需要数小时。3DGS作为一种替代方案，通过减少优化时间，提高了场景建模的效率。

3.2.2   3DGS优化加速

现有的加速方法主要分为工程优化和算法优化两大类。工程优化通过改进渲染流程来提高计算效率，而算法优化则通过剪枝冗余的高斯原语来减少参数数量。然而，这些方法在加速的同时，往往会导致渲染质量的下降。

4.DashGaussian：3DGS优化的动态调度方案

DashGaussian通过动态调整渲染分辨率和高斯原语数量，有效减少了3DGS优化过程中的计算复杂度。具体来说，该方法将3DGS优化过程视为逐步拟合训练视图中不同频率成分的过程，并提出了一个基于频率的分辨率调度方案。此外，DashGaussian还设计了一个与分辨率增长同步的高斯原语数量调度器。

4.1 问题表述

优化3DGS时，使用不同分辨率的图像进行训练是一个挑战，因为这可能导致3D混叠问题。根据图像处理理论，低分辨率图像与高分辨率图像之间的主要区别在于高分辨率图像中包含而低分辨率图像中缺失的高频成分。因此，逐步提高渲染分辨率相当于逐步拟合3DGS到训练视图中的更高频率成分。

4.2 频率引导的分辨率调度器

基于上述理论，DashGaussian提出了一个场景自适应的频率引导分辨率调度方案。该方案根据训练视图的频率成分自适应地调整渲染分辨率，从而在优化过程中逐步增加分辨率。

4.3 分辨率引导的高斯原语调度器

DashGaussian进一步提出了一个分辨率引导的高斯原语调度器。该调度器根据当前的渲染分辨率动态调整高斯原语的数量，以实现计算冗余和拟合质量之间的最佳平衡。

5. 实验

5.1 数据集和评估指标

研究者们在Mip-NeRF 360、Deep Blending和Tanks & Temples等真实世界数据集上进行了实验。评估指标包括平均PSNR、SSIM和LPIPS，以及优化时间。

5.2 与快速优化方法的比较

DashGaussian在优化速度上显著优于现有的快速优化方法。例如，在Mip-NeRF 360数据集上，DashGaussian将3DGS的优化时间缩短至200秒，同时保持了较高的渲染质量。

5.3 对不同3DGS骨干网络的增强效果

DashGaussian可以轻松集成到各种3DGS骨干网络中，显著提高优化速度。实验结果表明，DashGaussian在不同骨干网络上均实现了平均45.7%的加速。

5.4 消融研究

研究者们对DashGaussian的各个模块进行了消融研究。结果表明，分辨率调度器和高斯原语调度器均对优化速度和渲染质量有显著影响。

6.结论

DashGaussian通过合理分配计算资源，显著加快了3DGS的优化过程。该方法不仅提高了优化效率，还保持了渲染质量。DashGaussian可以作为即插即用的优化策略，集成到任何3DGS骨干网络中。未来，研究者们将探索将该方法应用于更大规模、更具挑战性的场景重建任务。

---

 本文选自gongzhonghao【图灵学术SCI论文辅导】

关注我们，掌握更多顶会顶刊发文资讯