摘要
研究人员提出了高斯点溅射(Gaussian Point Splatting),这是一种随机渲染方法,利用像素大小的不透明点和64位GPU原子操作,能够实时渲染数亿个高斯点。该方法已被SIGGRAPH 2026接收,采用层次化剔除与并行编程原语,实现均匀的工作负载分配,与原始高斯溅射相比仅存在轻微的噪声差异。
暂无内容
查看缓存全文
缓存时间:
2026/06/05 02:12
# 高斯点喷溅(Gaussian Point Splatting)
来源:https://momentsingraphics.de/Siggraph2026.html
Moments in Graphics
Christoph Peters 的博客
Joris Rijsdijk、Christoph Peters、Michael Weinnman、Ricardo Marroquim 著,2026年7月发表于 *ACM Transactions on Graphics(Proc. SIGGRAPH)* 45, 4。官方版本 (https://doi.org/10.1145/3811272)
## 摘要
我们提出了高斯点喷溅(Gaussian Point Splatting)——一种用于渲染高斯喷溅(Gaussian Splats)的随机方法,能够极好地扩展到包含大量高斯体的场景中。我们的核心思想是从高斯体中采样像素大小的不透明点,并利用 64 位原子操作将这些点喷溅到帧缓冲区(framebuffer)。通过并行编程原语,我们实现了数百万线程间均匀的工作负载分配。由于这些线程独立地执行喷溅操作,多个点可能会喷溅到同一像素。这使得如何确定一个高斯体应喷溅多少个点、以及如何分布这些点来实现所需不透明度变得非常复杂。我们成功地对这些问题进行了形式化建模并给出了解决方案,从而使渲染结果忠实于原始高斯喷溅。为了进一步加速我们的方法,我们采用了分层视锥体剔除与遮挡剔除。我们的方法能够实时渲染数亿个高斯体。与原始高斯喷溅相比,唯一的差异在于轻微的噪点和走样(aliasing)方面的不同。
**关键词:** 新视角合成、高斯喷溅、大规模场景、GPU 原子操作、点渲染、并行性
## 图像
representative_image (https://momentsingraphics.de/Media/Siggraph2026/representative_image.webp)- 补充结果(交互式在线查看器)(https://momentsingraphics.de/Media/Siggraph2026/rijsdijk2026_gps_image_viewer/index.html)
## 说明
本研究将于 2026 年 7 月 20 日在 SIGGRAPH 2026 上进行展示。作者版本已于 2026 年 5 月 20 日发布。
## 下载与链接
- 论文 (https://momentsingraphics.de/Media/Siggraph2026/rijsdijk2026_gps_paper.pdf)
- Joris 的项目主页 (https://jorisar.nl/gaussian_point_splatting/)
- 补充视频(无时域重投影)(https://momentsingraphics.de/Media/Siggraph2026/rijsdijk2026_gps_2x2_k4_1spp.mp4)
- 补充视频(含时域重投影)(https://momentsingraphics.de/Media/Siggraph2026/rijsdijk2026_gps_2x2_k4_1spp_reprojection.mp4)
- 补充结果(图像查看器下载)(https://momentsingraphics.de/Media/Siggraph2026/rijsdijk2026_gps_image_viewer.zip)
- 源代码(下载)(https://momentsingraphics.de/Media/Siggraph2026/rijsdijk2026_gps_code.zip)
- 源代码(GitHub)(https://github.com/JorisAR/gaussian-point-splatting)
- 不透明度校正 Shadertoy (https://www.shadertoy.com/view/WXdyWr)
相似文章
Hacker News Top
GaussianSplatting.jl 2.0版本通过KernelAbstractions.jl带来了多GPU后端支持、多线程UI、MCMC致密化策略,以及用于更好3D重建的深度/几何监督。
Hugging Face Daily Papers
ATSplat 提出了一种前馈式3D高斯溅射框架,利用自适应3D Token根据场景复杂度分配图元,在实现最先进渲染质量的同时,将高斯体数量相比密集方法减少了5.7倍以上。
Hugging Face Daily Papers
ZipSplat 是一种基于 token 的前馈 3D 高斯溅射模型,利用 k-means 聚类将高斯放置与像素网格解耦,在无需真实位姿或内参的情况下,在 DL3DV 和 RealEstate10K 上实现了约 6 倍的高斯减少,同时设立了新的最佳结果。
Hugging Face Daily Papers
GlobalSplat 引入了一种高效的前馈框架,用于三维高斯散射,通过全局场景标记实现紧凑且一致的场景重建,将计算开销和推理时间降低至78毫秒以下。该方法采用从粗到细的训练策略,防止表示膨胀,同时以显著更少的高斯原语(16K)达到有竞争力的新视角合成性能,与密集基线相比更为高效。
Hugging Face Daily Papers
TideGS提出了一种外存训练框架,通过块虚拟化、异步流水线和差分流式传输技术,在SSD-CPU-GPU层级管理参数,使得在单个GPU上能够以超过十亿原语进行3D高斯泼溅训练。