论文页面 - TideGS：通过外核优化实现超十亿3D高斯泼溅基元的可扩展训练

来源：https://huggingface.co/papers/2605.20150

摘要

TideGS 通过块虚拟化、异步流水线和差分流技术，在 SSD-CPU-GPU 层级间管理参数，从而在单张 GPU 上实现超过十亿基元的 3D 高斯泼溅训练。

十亿基元规模的 3D 高斯泼溅 (https://huggingface.co/papers?q=3D%20Gaussian%20Splatting) (3DGS) 训练从根本上受限于内存：每个高斯基元携带大量属性向量，聚合参数表迅速超出 GPU 容量，导致现有系统在消费级单 GPU 硬件上仅限于数千万高斯基元。我们观察到，3DGS 训练本质上是稀疏且轨迹条件化的：每次迭代仅激活当前相机批次可见的高斯基元，因此 GPU 内存可以作为工作集缓存 (https://huggingface.co/papers?q=working-set%20cache) 而非持久参数存储。基于这一洞察，我们提出了 TideGS，一种外核训练 (https://huggingface.co/papers?q=out-of-core%20training) 框架，通过三种协同技术跨 SSD-CPU-GPU 层级 (https://huggingface.co/papers?q=SSD-CPU-GPU%20hierarchy) 管理参数：适用于 SSD 对齐空间局部性的块虚拟化几何 (https://huggingface.co/papers?q=block-virtualized%20geometry)、用于重叠 I/O 与计算的分层异步流水线 (https://huggingface.co/papers?q=hierarchical%20asynchronous%20pipeline)，以及仅传输迭代间增量工作集差分的轨迹自适应差分流 (https://huggingface.co/papers?q=trajectory-adaptive%20differential%20streaming)。实验表明，TideGS 能够在单张 24 GB GPU 上训练超过十亿高斯基元，同时在大型场景中达到所有评估的单 GPU 基线中最佳的重建质量，其规模超越了此前的外核基线（例如约 1 亿高斯基元）和标准内存内训练（例如约 1100 万高斯基元）。

查看 arXiv 页面 (https://arxiv.org/abs/2605.20150) 查看 PDF (https://arxiv.org/pdf/2605.20150) 项目页面 (https://sponge-lab.github.io/TideGS/) GitHub12 (https://github.com/sponge-lab/TideGS) 加入收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.20150)

在您的 agent 中获取该论文：

hf papers read 2605.20150

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用该论文的模型0

无模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2605.20150 以从此页面链接。

引用该论文的数据集0

无数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.20150 以从此页面链接。

引用该论文的 Space0

无 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2605.20150 以从此页面链接。

包含该论文的收藏集0

无收藏集包含此论文

将该论文添加到收藏集 (https://huggingface.co/new-collection) 以从此页面链接。