12 月 17 日消息，在香港舉辦的全球圖形學領(lǐng)域?qū)W術(shù)盛會 SIGGRAPH Asia 2025 上，摩爾線程今日在 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。

3D Gaussian Splatting（3DGS，三維高斯濺射）是 2023 年提出的一項 3D 場景表示與渲染技術(shù)，以可參數(shù)化的 3D 高斯分布為核心，實現(xiàn)了畫質(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，并在光線追蹤、VR / AR 實時渲染、多模態(tài)融合等方向展現(xiàn)出極強的適應(yīng)性與擴展性。

本次競賽為參賽團隊設(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終端視頻序列（10–30 秒）、存在誤差的相機軌跡以及終端 SLAM 點云，在極短時間內(nèi)完成完整的 3DGS 高質(zhì)量重建。

摩爾線程 AI 團隊以參賽編號“MT-AI”進入決賽階段，在重建精度與效率兩項指標上取得亮眼表現(xiàn)：

平均 PSNR：27.58（位列前三）

重建耗時：34 秒（領(lǐng)先多數(shù)隊伍）

憑借 3DGS 算法構(gòu)建能力與軟硬件協(xié)同優(yōu)化優(yōu)勢，摩爾線程最終獲得二等獎（銀牌）的成績。

作為一種新興的場景表示與新視角合成技術(shù)，3DGS 憑借高渲染質(zhì)量與實時渲染速度，在計算機圖形學與視覺領(lǐng)域?qū)崿F(xiàn)了顯著突破。該技術(shù)通過數(shù)以百萬計的各向異性三維高斯基元來表示三維場景，以實現(xiàn)逼真的渲染效果，并在自動駕駛、虛擬現(xiàn)實、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，其訓練過程卻往往需要數(shù)十分鐘甚至數(shù)小時，成為制約其廣泛應(yīng)用的主要瓶頸?，F(xiàn)有優(yōu)化方案往往僅從單一層面入手，難以系統(tǒng)性地解決訓練過程中的性能制約。

為此，摩爾線程自主研發(fā)了 3DGS 基礎(chǔ)庫 LiteGS，首次實現(xiàn)了從底層 GPU 系統(tǒng)、中層數(shù)據(jù)管理到高層算法設(shè)計的全鏈路協(xié)同優(yōu)化：

在 GPU 系統(tǒng)層面，摩爾線程創(chuàng)新提出基于“One Warp Per Tile”原則的“Warp-Based Raster”新范式，將梯度聚合簡化為一次 Warp 內(nèi)歸約，并結(jié)合掃描線算法與混合精度策略，大幅降低梯度計算開銷，同時實現(xiàn)高效的像素級統(tǒng)計能力；

在數(shù)據(jù)管理層，引入“聚類-剔除-壓縮”流水線，借助 Morton 編碼以極低開銷對高斯基元進行動態(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)計層，摒棄原有模糊的度量指標，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)，精準識別欠擬合區(qū)域，其輕量化計算直接受益于底層光柵化器的高效統(tǒng)計支持。

通過系統(tǒng)與算法的協(xié)同優(yōu)化，LiteGS 在訓練效率與重建質(zhì)量上均實現(xiàn)顯著領(lǐng)先。

在達到與當前質(zhì)量最優(yōu)方案同等水平時，LiteGS 可獲得 10.8 倍的訓練加速，且參數(shù)量減少一半以上；

在相同參數(shù)量下，LiteGS 在 PSNR 指標上超出主流方案 0.2–0.4 dB，訓練時間縮短 3.8 至 7 倍。

針對輕量化模型，LiteGS 僅需原版 3DGS 約 10% 的訓練時間與 20% 的參數(shù)量，即可實現(xiàn)同等質(zhì)量。

目前，LiteGS 已在 GitHub 平臺全面開源。