IT之家12月17日消息，在香港举办的全球图形学领域学术盛会SIGGRAPHAsia2025上，摩尔线程今日在3DGaussianSplattingReconstructionChallenge（3DGS重建挑战赛）中凭借自研技术LiteGS斩获银奖。
3DGaussianSplatting（3DGS，三维高斯溅射）是2023年提出的一项3D场景表示与渲染技术，以可参数化的3D高斯分布为核心，实现了画质、效率与资源占用之间的平衡。与传统NeRF相比，3DGS在保持逼真渲染质量的前提下，将渲染效率提升数百至上千倍，并在光线追踪、VR/AR实时渲染、多模态融合等方向展现出极强的适应性与扩展性。
本次竞赛为参赛团队设置的任务为：参赛者需在60秒内，基于主办方提供的真实终端视频序列（10–30秒）、存在误差的相机轨迹以及终端SLAM点云，在极短时间内完成完整的3DGS高质量重建。
摩尔线程AI团队以参赛编号“MT-AI”进入决赛阶段，在重建精度与效率两项指标上取得亮眼表现：
平均PSNR：27.58（位列前三）
重建耗时：34秒（领先多数队伍）
凭借3DGS算法构建能力与软硬件协同优化优势，摩尔线程最终获得二等奖（银牌）的成绩。
作为一种新兴的场景表示与新视角合成技术，3DGS凭借高渲染质量与实时渲染速度，在计算机图形学与视觉领域实现了显著突破。该技术通过数以百万计的各向异性三维高斯基元来表示三维场景，以实现逼真的渲染效果，并在自动驾驶、虚拟现实、数字孪生等领域展现出巨大潜力。
然而，尽管3DGS的渲染速度极快，其训练过程却往往需要数十分钟甚至数小时，成为制约其广泛应用的主要瓶颈。现有优化方案往往仅从单一层面入手，难以系统性地解决训练过程中的性能制约。
为此，摩尔线程自主研发了3DGS基础库LiteGS，首次实现了从底层GPU系统、中层数据管理到高层算法设计的全链路协同优化：
在GPU系统层面，摩尔线程创新提出基于“OneWarpPerTile”原则的“Warp-BasedRaster”新范式，将梯度聚合简化为一次Warp内归约，并结合扫描线算法与混合精度策略，大幅降低梯度计算开销，同时实现高效的像素级统计能力；
在数据管理层，引入“聚类-剔除-压缩”流水线，借助Morton编码以极低开销对高斯基元进行动态空间重排，显著提升数据局部性，减少缓存失效与Warp分支；
在算法设计层，摒弃原有模糊的度量指标，采用更为鲁棒的像素不透明度梯度方差作为致密化的核心判据，精准识别欠拟合区域，其轻量化计算直接受益于底层光栅化器的高效统计支持。
通过系统与算法的协同优化，LiteGS在训练效率与重建质量上均实现显著领先。
在达到与当前质量最优方案同等水平时，LiteGS可获得10.8倍的训练加速，且参数量减少一半以上；
在相同参数量下，LiteGS在PSNR指标上超出主流方案0.2–0.4dB，训练时间缩短3.8至7倍。
针对轻量化模型，LiteGS仅需原版3DGS约10%的训练时间与20%的参数量，即可实现同等质量。
目前，LiteGS已在GitHub平台全面开源，IT之家附开源地址如下：
2020炒股配资提示：文章来自网络，不代表本站观点。
