3D训练提速13倍，国产GPU团队算法登顶会

当一家GPU公司亲自下场研究算法，事情就没那么简单了。摩尔线程团队的论文LiteGS被计算机视觉顶会ECCV 2026接收，其核心是把3DGS（3D Gaussian Splatting）训练得更快。这不仅是算法优化，更涉及空间智能这一AI热门领域——3DGS是将真实场景转化为机器可计算三维表示的关键技术路线之一。

3DGS训练变慢的根源在于三层缺陷互相咬合形成负循环：底层光栅化器中多线程累加梯度依赖原子操作导致排队等待；中层显存数据排列缺乏空间秩序，缓存命中率低；顶层致密化判断粗糙，制造冗余计算。LiteGS从GPU底层光栅化方式、数据排列与缓存、以及高斯基元增删策略三层协同改造，体现了“系统与算法协同设计”理念。

让GPU学会“排队”

具体改动包括：采用warp-based raster，将一个图块的处理交给一个warp（32线程为一组），共享数据、分工接力，减少同步与原子操作，在garden场景上比原始方案快7-13倍。这相当于让GPU学会给三维世界“排队”，避免线程空转和资源争抢。

数据排列与缓存优化

引入基于Morton coding的动态空间排序，将空间上相近的Gaussian在内存中靠近，并搭建Cluster-Cull-Compact流水线剔除不可见簇。关闭该功能训练时间会慢36%，可见空间局部性对性能的关键影响。

致密化策略改进

改用梯度方差作为致密化判据，配合更稳定的opacity衰减，避免场景被周期性扰动，两个改动各贡献约0.3-0.6 dB的PSNR。这使得高斯基元的增删更加精准，减少冗余计算。

实测数据与开源

LiteGS提供turbo、balance、quality三档配置，在单张RTX 3090上最高可实现较原始3DGS约13.4倍的训练加速。garden场景原始需训练近36分钟，LiteGS五分钟出头即可完成且精度更高。quality档在Mip-NeRF 360上PSNR达28.25 dB，为高质量重建SOTA；turbo档将训练时间压至145秒，优于Mini-Splatting v2的214秒且PSNR更高。摩尔线程已开源LiteGS，其激进配置可在50秒内完成bicycle场景训练。LiteGS曾获SIGGRAPH Asia 2025 3DGS Challenge银奖，在平均PSNR 27.58下将单场景重建压至34秒。

从GPU硬件厂商的角度优化算法，LiteGS展示了软硬协同的巨大潜力。当训练时间从半小时压缩到几分钟甚至几十秒，3D重建技术将更接近实时应用，为空间智能的普及铺平道路。摩尔线程的开源举措，也让这一成果能更快惠及整个研究社区。