在近日于香港舉辦的全球圖形學(xué)領(lǐng)域頂級(jí)學(xué)術(shù)會(huì)議SIGGRAPH Asia 2025上，一場(chǎng)備受矚目的3D Gaussian Splatting Reconstruction Challenge（3DGS重建挑戰(zhàn)賽）落下帷幕。中國(guó)科技企業(yè)摩爾線程憑借其自主研發(fā)的3DGS基礎(chǔ)庫(kù)LiteGS，在眾多參賽隊(duì)伍中脫穎而出，斬獲銀獎(jiǎng)。

3D Gaussian Splatting（3DGS）作為一種新興的3D場(chǎng)景表示與渲染技術(shù)，自2023年提出以來便引發(fā)了廣泛關(guān)注。該技術(shù)以可參數(shù)化的3D高斯分布為核心，巧妙地平衡了畫質(zhì)、效率與資源占用之間的關(guān)系。與傳統(tǒng)NeRF技術(shù)相比，3DGS在保持逼真渲染質(zhì)量的同時(shí)，將渲染效率提升了數(shù)百倍甚至上千倍，并且在光線追蹤、VR/AR實(shí)時(shí)渲染、多模態(tài)融合等多個(gè)方向展現(xiàn)出強(qiáng)大的適應(yīng)性與擴(kuò)展性。它通過數(shù)以百萬(wàn)計(jì)的各向異性三維高斯基元來精確表示三維場(chǎng)景，從而實(shí)現(xiàn)逼真的渲染效果，在自動(dòng)駕駛、虛擬現(xiàn)實(shí)、數(shù)字孿生等領(lǐng)域蘊(yùn)含著巨大的應(yīng)用潛力。

然而，3DGS技術(shù)也面臨著一些挑戰(zhàn)。盡管其渲染速度極快，但訓(xùn)練過程卻往往耗時(shí)較長(zhǎng)，通常需要數(shù)十分鐘甚至數(shù)小時(shí)，這成為制約其廣泛應(yīng)用的主要瓶頸?，F(xiàn)有的優(yōu)化方案大多僅從單一層面進(jìn)行改進(jìn)，難以系統(tǒng)性地解決訓(xùn)練過程中的性能制約問題。

為了攻克這一難題，摩爾線程自主研發(fā)了3DGS基礎(chǔ)庫(kù)LiteGS。該庫(kù)首次實(shí)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(jì)的全鏈路協(xié)同優(yōu)化。在GPU系統(tǒng)層面，摩爾線程創(chuàng)新性地提出了基于“One Warp Per Tile”原則的“Warp-Based Raster”新范式。這一范式將梯度聚合簡(jiǎn)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，大幅降低了梯度計(jì)算開銷，同時(shí)實(shí)現(xiàn)了高效的像素級(jí)統(tǒng)計(jì)能力。在數(shù)據(jù)管理層，引入了“聚類-剔除-壓縮”流水線，借助Morton編碼以極低開銷對(duì)高斯基元進(jìn)行動(dòng)態(tài)空間重排，顯著提升了數(shù)據(jù)局部性，減少了緩存失效與Warp分支。在算法設(shè)計(jì)層，摒棄了原有模糊的度量指標(biāo)，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)，能夠精準(zhǔn)識(shí)別欠擬合區(qū)域，其輕量化計(jì)算直接受益于底層光柵化器的高效統(tǒng)計(jì)支持。

在本次3DGS重建挑戰(zhàn)賽中，參賽團(tuán)隊(duì)面臨著嚴(yán)峻的任務(wù)考驗(yàn)。他們需要在60秒內(nèi)，基于主辦方提供的真實(shí)終端視頻序列（時(shí)長(zhǎng)10 - 30秒）、存在誤差的相機(jī)軌跡以及終端SLAM點(diǎn)云，在極短時(shí)間內(nèi)完成完整的3DGS高質(zhì)量重建。摩爾線程AI團(tuán)隊(duì)以參賽編號(hào)“MT-AI”進(jìn)入決賽階段，在重建精度與效率兩項(xiàng)關(guān)鍵指標(biāo)上表現(xiàn)出色。其平均PSNR達(dá)到27.58，位列前三；重建耗時(shí)僅34秒，領(lǐng)先多數(shù)參賽隊(duì)伍。憑借在3DGS算法構(gòu)建能力以及軟硬件協(xié)同優(yōu)化方面的優(yōu)勢(shì)，摩爾線程最終榮獲二等獎(jiǎng)（銀牌）。

通過系統(tǒng)與算法的協(xié)同優(yōu)化，LiteGS在訓(xùn)練效率與重建質(zhì)量上均取得了顯著領(lǐng)先。當(dāng)達(dá)到與當(dāng)前質(zhì)量最優(yōu)方案同等水平時(shí)，LiteGS可實(shí)現(xiàn)10.8倍的訓(xùn)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(biāo)上超出主流方案0.2 - 0.4 dB，訓(xùn)練時(shí)間縮短3.8至7倍。針對(duì)輕量化模型，LiteGS僅需原版3DGS約10%的訓(xùn)練時(shí)間與20%的參數(shù)量，即可實(shí)現(xiàn)同等質(zhì)量。目前，LiteGS已在GitHub平臺(tái)全面開源，為全球開發(fā)者提供了強(qiáng)大的工具支持。