ShapeSplat：大规模高斯样本数据集及其自监督预训练
内容提要
本文提出了一种紧凑的3D高斯扩散模型表示方法，显著降低了存储需求并保持了渲染质量。通过MVSplat模型，利用稀疏多视图图像学习，准确定位高斯中心，提升深度估计。实验结果表明，该模型在多个基准测试中表现优异，推断速度快且参数量少。此外，EfficientGS和SAGS方法进一步优化了模型大小和渲染质量。Grendel系统实现了3D重建任务的分布式计算，提升了渲染效果。
延伸解读
存储优化：从紧凑表示到因式分解
文章介绍了多种降低3D高斯模型存储需求的方法。紧凑表示将参数组织成二维网格，利用局部均匀性减少存储；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；F-3DGS则采用矩阵和张量分解技术进一步压缩。这些方法在保持渲染质量的同时，为大规模场景的存储和传输提供了可行方案。
前馈推断效率：MVSplat的突破
MVSplat通过稀疏多视图图像学习，利用平面扫描构建成本体积来准确定位高斯中心，提升深度估计。在RealEstate10K和ACID基准上，它以22帧/秒的速度实现最快前馈推断，参数量比pixelSplat少10倍，推断速度快两倍，同时提供更高的外观和几何质量以及更好的跨数据集泛化能力。
渲染质量与几何保真：结构感知与正则化
SAGS方法通过局部-全局图表示隐式编码场景几何，强制有意义的点位移，减轻浮点和图像失真，获得精确深度图。有效等级分析则解决高斯图元收敛为针状形状的问题，通过正则化提高法线和几何重建质量。这些技术共同提升了复杂场景的渲染保真度。
分布式计算：Grendel系统处理大规模场景
Grendel是一个分布式系统，将3DGS参数划分到多个GPU上并行计算，通过稀疏全对全通信和动态负载平衡支持批量训练。在Rubble数据集上，使用16个GPU分布40.4百万高斯值，将测试PSNR从单GPU的26.28提升到27.28，展示了处理高分辨率大规模重建任务的潜力。
Q&A
ShapeSplat模型的主要优势是什么？
ShapeSplat模型显著降低了存储需求，同时保持了渲染质量。
MVSplat模型是如何提升深度估计的？
MVSplat模型通过稀疏多视图图像学习，准确定位高斯中心，从而提升深度估计。
EfficientGS方法如何优化模型大小？
EfficientGS方法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。
Grendel系统的主要功能是什么？
Grendel系统实现了3D重建任务的分布式计算，提升了渲染效果，支持高分辨率和大规模场景的处理。
SAGS方法在渲染质量上有什么优势？
SAGS方法通过结构感知促进复杂场景的学习，展现出卓越的渲染质量和模型大小性能。
F-3DGS方法如何减少存储需求？
F-3DGS方法通过矩阵和张量分解技术减少存储需求，同时保持渲染质量。
