关于扩大 3D 高斯喷洒训练的研究
内容提要
本研究探讨了高参数3D高斯喷溅（3DGS）模型的训练，提出了RetinaGS通用模型的并行训练方法，优化了模型大小和渲染质量。新方法提升了大规模场景中的训练速度和视觉质量，实现了高保真度的表面重建和渲染效果。
延伸解读
大规模3DGS训练的技术路线
文章介绍了多种针对大规模3DGS训练的方法，如RetinaGS的模型并行、DoGaussian的场景分块与ADMM优化、CityGaussian的分治与细节层次策略。这些方法从不同角度解决高参数模型训练中的显存和计算瓶颈，共同趋势是分布式或分块训练，以提升可扩展性。
模型压缩与效率提升
EfficientGS通过选择性策略和剪枝将模型大小减至传统3DGS的十分之一，同时保持高渲染保真度；另有方法将高斯参数组织为2D网格以降低存储。这些工作表明，在不大幅牺牲视觉质量的前提下，压缩3DGS模型是可行的，有助于实际部署。
渲染质量与几何重建的改进
PGSR方法引入基于平面的高斯点云猜测，旨在提升表面重建质量；3D Half-Gaussian核则改进了渲染性能。这些尝试针对3DGS在几何细节和渲染保真度上的不足，实验显示在快速训练和渲染的同时，能达到与NeRF方法相当甚至更好的效果。
分布式与联邦学习的探索
Fed3DGS将3DGS与联邦学习结合，利用分散式架构和百万级客户端的计算资源，通过蒸馏模型更新和外观建模处理非独立同分布数据。在大规模基准测试中，其图像质量与集中式方法相当，并能捕捉季节变化引起的场景变化，为隐私敏感场景提供了新思路。
Q&A
什么是RetinaGS模型，它的主要特点是什么？
RetinaGS是一种通用模型并行训练方法，适用于任何场景和高斯图元分布，能够优化3D高斯喷溅的训练过程。
EfficientGS方法如何优化3D高斯喷涂技术？
EfficientGS通过选择性策略和剪枝机制，将模型大小减小为传统3D高斯喷涂的十分之一，同时保持高渲染保真度。
DoGaussian方法是如何加快3DGS训练速度的？
DoGaussian方法通过将场景分解为K个块，并在训练过程中引入交替方向乘子方法，加快了训练速度6倍以上。
Fed3DGS框架的主要功能是什么？
Fed3DGS是一个基于3D高斯喷洒与联邦学习的可扩展三维重建框架，能够处理非独立同分布数据，并在大规模基准测试中提供与集中式方法相当的图像质量。
如何通过PGSR方法实现高保真度的表面重建？
PGSR方法通过引入基于平面的高斯点云猜测，旨在解决3D高斯斑点重构中的质量问题，实现高保真度的表面重建和高质量渲染。
新方法如何结合NeRF和3D高斯喷洒的优势？
新方法通过训练解码器，将隐式的NeRF表示映射到显式的3D高斯喷洒属性，整合了3D GANs的代表性多样性和质量。
