高斯点溅射

Hacker News Top 论文

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
查看原文
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

在Julia中实现更好的高斯溅射

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。

ZipSplat:更少的高斯,更优的 Splats

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。

GlobalSplat: 通过全局场景标记实现高效的前馈式三维高斯散射

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。