CVPR 2026 | FastGS：100秒完成3DGS训练

CVPR 2026 | FastGS：100秒完成3DGS训练

一、论文信息

论文题目：FastGS: Training 3D Gaussian Splatting in 100 Seconds

论文作者：Shiwei Ren、Tianci Wen、Yongchun Fang（通讯） 、Biao Lu

发表单位：NanKai University

发表会议：CVPR 2026

二、论文主要贡献

提出了一种新颖、简洁且通用的 3D 高斯泼溅加速框架 FastGS，能够在约 100 秒内完成单场景训练并保持与现有最优方法相当的渲染质量；设计了基于多视角一致性的稠密化策略 VCD 与剪枝策略 VCP，依据高斯对多视角重建质量的实际贡献进行增密与剔除，无需预算机制即可从源头避免冗余高斯产生，显著提升训练效率；该框架具备极强的通用性，在静态场景重建上达到当前最优训练速度，同时可无缝应用于动态场景重建、表面重建、稀疏视角重建、大规模场景重建以及 SLAM 等多种任务，在各类任务上均能实现 2--6 倍的训练加速且不损失渲染效果，综合性能领先现有方法。

图 1 FastGS是一个面向 3D 高斯泼溅（3DGS）的通用加速框架，能够在不损失渲染质量的前提下显著缩短训练时间。在静态场景中，该方法可在 100 秒内完成 Tanks & Temples 数据集 train 场景的训练。此外，该方法在动态场景重建与表面重建任务中分别实现了 2.82 倍和 2.24 倍的训练加速

三、创新点

1、提出基于多视角一致性的 3DGS 加速框架 FastGS，100 秒内完成训练且渲染质量不下降。

2、创新设计VCD 稠密化与 VCP 剪枝策略，无需预算机制，从源头消除冗余高斯。

3、提出紧凑盒 CB 优化光栅化，框架通用性强，可在多类重建任务中实现2--6 倍加速。

四、方法

4.1 基于多视角一致性的稠密化------VCD(Multi-view Consistent Densification)

原始3DGS仅依据图像空间中的梯度幅值对高斯进行稠密化，会产生大量冗余高斯，该团队认为，冗余问题的根源在于未能从多视角严格判断一个高斯是否需要被稠密化。为此提出VCD策略：

给定从训练视角中随机采样的KKK个相机视角V={vj}j=1KV=\{v^j\}{j=1}^KV={vj}j=1K，以及对应的真实图像G={gj}j=1KG=\{g^j\}{j=1}^KG={gj}j=1K和渲染图像R={rj}j=1KR=\{r^j\}{j=1}^KR={rj}j=1K。对于每个视角vjv^jvj，计算像素(u,v)(u,v)(u,v)处渲染颜色ru,vjr{u,v}^jru,vj与真实颜色gu,vjg_{u,v}^jgu,vj之间的误差：

eu,vj=1C′∑c′=1C′∣ru,vj,c′−gu,vj,c′∣(1) e_{u,v}^j=\frac{1}{C'} \sum_{c'=1}^{C'}\left|r_{u,v}^{j,c'}-g_{u,v}^{j,c'}\right|\tag{1} eu,vj=C′1c′=1∑C′ ru,vj,c′−gu,vj,c′ (1)

其中c′∈{1,2,...,C′}c'\in\{1,2,...,C'\}c′∈{1,2,...,C′}表示颜色通道。

基于逐像素误差构建损失图Mj∈RW×HM^j\in\mathbb{R}^{W×H}Mj∈RW×H：Mj=N(eu,vj)M^j = \mathcal{N}\left(e_{u,v}^j\right)Mj=N(eu,vj)

式中N(⋅)\mathcal{N}(\cdot)N(⋅)表示最小-最大归一化函数。接着对MjM^jMj施加阈值τ\tauτ，以识别出高重建误差的像素php_hph，形成掩码：

Mmaskj(u,v)={1,Mj(u,v)>τ0,其他情况(2) \mathcal{M}_{mask}^j(u,v) = \begin{cases} 1, & M^j(u,v) > \tau \\ 0, & \text{其他情况} \end{cases}\tag{2} Mmaskj(u,v)={1,0,Mj(u,v)>τ其他情况(2)

掩码中值为 1 的像素P代表重建质量较差的区域。

接下来需要找到与这些高误差像素相关联的高斯基元。对于每个三维高斯基元GiG_iGi，将其投影到二维图像空间得到二维覆盖区域Ωi\Omega_iΩi。随后使用指示函数I(Mmaskj(p)=1)\mathbb{I}(\mathcal{M}_{mask}^j(p)=1)I(Mmaskj(p)=1)判断像素是否为高误像素。为每个高斯基元计算重要性得分sdis_d^isdi：先累加该高斯在所有采样视角下的二维覆盖区域内的高误差像素数量，再对累加值取平均：

sdi=1K∑j=1K∑pΩiI(Mmaskj(p)=1)(3) s_d^i=\frac{1}{K} \sum_{j=1}^{K} \sum_{p}^{\Omega_i} \mathbb{I}\left(\mathcal{M}_{mask}^j(p)=1\right)\tag{3} sdi=K1j=1∑Kp∑ΩiI(Mmaskj(p)=1)(3)

得分sdis_d^isdi越高，表明该高斯在多个视角下均稳定处于高误差区域，因此可作为稠密化候选对象 。仅当高斯基元GiG_iGi的重要性得分sdis_d^isdi超过阈值τd\tau_dτd时，才会被选中进行稠密化，确保新增高斯聚焦于多视角下重建不足的区域。可以在渲染的前向传播过程中直接高效统计二维覆盖区域内的高误差像素数量。

4.2 多视角一致性剪枝------VCP(Multi-view Consistent Pruning)

原始 3DGS仅会剔除不透明度低或尺度过大的高斯，无法有效解决冗余问题。近年提出的各类剪枝策略同样难以彻底消除冗余，甚至还会导致渲染质量显著下降。该团队认为这些方法均未基于多视角一致性来判定高斯是否冗余。

为此提出VCD策略：与 VCD 的设计思路一致，该策略依据每个高斯对多视角重建质量的实际影响来计算得分。

对于每个视角vj∈Vv^{j} \in Vvj∈V，计算渲染图像rjr^{j}rj与对应真实图像gjg^{j}gj之间的光度损失：

Ephotoj=(1−λ)L1j+λ(1−LSSIMj)(4) E_{photo }^{j}=(1-\lambda) L_{1}^{j}+\lambda\left(1-L_{SSIM}^{j}\right)\tag{4} Ephotoj=(1−λ)L1j+λ(1−LSSIMj)(4)

其中L1jL_{1}^{j}L1j和LSSIMjL_{SSIM}^{j}LSSIMj分别表示整幅图像的平均绝对误差损失与结构相似性损失。

由于光度损失能够可靠地反映重建保真度，将其与公式(3)结合，为每个三维高斯基元GiG_iGi推导得到剪枝得分：

spi=N(∑j=1K(∑pΩiI(Mmaskj(p)=1))⋅Ephotoj)(5) s_{p}^{i}=\mathcal{N}\left(\sum_{j=1}^{K}\left(\sum_{p}^{\Omega_{i}} \mathbb{I}\left(\mathcal{M}{mask }^{j}(p)=1\right)\right) \cdot E{photo }^{j}\right)\tag{5} spi=N(j=1∑K(p∑ΩiI(Mmaskj(p)=1))⋅Ephotoj)(5)

其中，spis_{p}^{i}spi可被理解为高斯基元GiG_iGi对整体渲染质量下降的贡献度量化指标。当高斯基元GiG_iGi的剪枝得分spis_{p}^{i}spi超过预定义阈值τp\tau_pτp时，该高斯将被选中剔除 ------ 这表明该高斯在多个视角下对渲染质量的贡献度均处于较低水平。

4.3 紧凑盒------CB(Compact Box)

在光栅化的预处理阶段，原始 3DGS采用 3σ 准则粗略获取有效的二维椭圆，由此生成了大量高斯-瓦片对（如图 2a 所示），不仅引入了计算冗余，还显著降低了渲染效率。为解决这一问题，Speedy-Splat 提出了精确瓦片相交方法以减少高斯 - 瓦片对的数量。但该方法仍有进一步优化的空间 ------ 如图 2b 中标注的瓦片内，部分二维高斯对其中像素的贡献度仍可忽略不计。因此，提出紧凑盒（Compact Box, CB），该方法在 Speedy-Splat的精确瓦片相交策略基础上进行优化改进，进一步缩小二维高斯的有效作用区域，剔除不必要的高斯 - 瓦片对，如图 2c 所示。

3σ 准则也叫拉依达准则，是基于正态分布特性的经典统计学准则 。其核心逻辑是：对于服从正态分布的随机变量，数值落在均值 μ ± 3 倍标准差 σ区间内的概率高达 99.73%，落在区间外的概率仅 0.27%，属于几乎不可能发生的小概率事件。

图2 与原始3DGS 和 Speedy-Splat 相比，引入紧凑盒（CB）后高斯 - 瓦片对的数量显著减少

形式化定义如下：在 ααα 混合过程中，第iii个高斯在像素ppp处的 alpha 值定义为：

αi(p)=σi⋅exp(−12(p−μi2D)∑i2D−1(p−μi2D)⊤)(6) \alpha_{i}(p)=\sigma_{i} \cdot exp \left(-\frac{1}{2}\left(p-\mu_{i_{2 D}}\right) \sum_{i_{2 D}}^{-1}\left(p-\mu_{i_{2 D}}\right)^{\top}\right)\tag{6} αi(p)=σi⋅exp(−21(p−μi2D)i2D∑−1(p−μi2D)⊤)(6)

该公式表明，αi(p)\alpha_{i}(p)αi(p)的取值会随马氏距离呈指数衰减，马氏距离的定义为：

A(p)=(p−μi2D)∑i2D−1(p−μi2D)⊤(7) A(p)=\left(p-\mu_{i_{2 D}}\right) \sum_{i_{2 D}}^{-1}\left(p-\mu_{i_{2 D}}\right)^{\top}\tag{7} A(p)=(p−μi2D)i2D∑−1(p−μi2D)⊤(7)

直观来看，越靠近高斯中心的像素贡献度越高，而距离越远的像素，其受高斯的影响可忽略不计。基于这一观察，可以建立一个合理的判定准则：对应马氏距离过大的像素的高斯 - 瓦片对，对最终渲染结果的影响极小，可以安全地进行裁剪。

为了裁剪贡献度可忽略的高斯 - 瓦片对，为马氏距离定义了如下阈值：

(p−μi2D)∑i2D−1(p−μi2D)T=β(2lnσiτα)(8) \left(p-\mu_{i_{2 D}}\right) \sum_{i_{2 D}}^{-1}\left(p-\mu_{i_{2 D}}\right)^{T}=\beta\left(2 ln \frac{\sigma_{i}}{\tau_{\alpha}}\right)\tag{8} (p−μi2D)i2D∑−1(p−μi2D)T=β(2lnτασi)(8)

其中β\betaβ为缩放因子。通过调整β\betaβ的取值，可灵活控制每个二维高斯的有效支撑区域。β\betaβ 取值越小，围绕高斯均值μi2D\mu_{i_{2 D}}μi2D生成的椭圆越紧凑，从而缩小(p−μi2D)(p-\mu_{i_{2 D}})(p−μi2D)的空间范围，减少高斯GjG_{j}Gj影响的像素数量。这种对高斯边缘贡献的选择性抑制，可有效减少冗余的高斯-瓦片对，加快光栅化速度。

在工程实现中，将公式 (8) 集成到 Speedy-Splat 的 snugbox 模块中，通过参数β\betaβ进一步缩小二维高斯的覆盖区域，收缩其与瓦片的相交范围，最终形成了本文提出的紧凑盒（CB）。随后，沿用 Speedy-Splat的 accutile 方法计算最终的高斯-瓦片对。

五、实验分析

表1 与现有3DGS快速优化方法的定量比较。使用FastGS，3DGS的训练可以在大约100秒内完成，同时实现与其他方法相当的渲染质量。最佳结果标记为最佳分数、第二最佳分数和第三最佳分数。时间以分钟为单位。使用设备为NVIDIA RTX 4090 GPU

表2 对提出的 FastGS 方法进行消融研究。实验在 Mip-NeRF 360 数据集上进行，以 3DGS-accel作为基线。