一、论文信息

论文标题：FastGS: Training 3D Gaussian Splatting in 100 Seconds
作者：Shiwei Ren, Tianci Wen, Yongchun Fang, Biao Lu
单位：Nankai University（南开大学）
发布：arXiv:2511.04283v3，CVPR 2026
核心口号：100 秒训练 3DGS，不丢画质、通用极强

二、论文摘要

3D 高斯溅射（3DGS）虽然比 NeRF 快很多，但训练依然要十几分钟，瓶颈在冗余高斯太多、密度控制不合理。现有加速方法要么靠 “预算限制”，要么剪枝太狠掉画质，多视角信息用得很粗糙。
本篇文章提出FastGS：一套简单通用的 3DGS 加速框架，基于多视角一致性设计稠密化与剪枝策略，不需要预算机制。在多个数据集上实现3.29×~15.45× 加速，静态场景最快77 秒训完，还能无缝适配动态重建、表面重建、稀疏视角、大场景、SLAM 等任务，实现2–6 倍提速。

三、论文动机

3DGS 训练太慢：单场景动辄十几分钟，不利于 AR/VR、实时建模落地。
冗余高斯泛滥：原自适应密度控制（ADC）只看单视角梯度，生成大量无效高斯。
现有加速不完美：
靠 “高斯预算” 上限控制，依然冗余；
剪枝只看高斯自身属性（不透明度、尺度），多视角利用很弱；
要么速度上不去，要么画质明显下降。

四、论文创新点

4.1 基于多视角一致性的无预算密度控制框架

针对现有 3D 高斯溅射（3DGS）加速方法依赖人工预算机制、高斯增生冗余度高、多视角信息利用不充分等问题，本文提出一种无预算约束、以多视角重建质量为核心的自适应密度控制框架。该框架摒弃传统基于高斯自身属性（不透明度、尺度、梯度等）与人工数量配额的密度调控范式，首次将多视角几何与光度一致性作为高斯增删的唯一判断依据，实现高斯数量的全自动、精细化、全局最优管控。框架无需预设增长预算、无需分阶段调度，从根源上避免冗余高斯增生，同时保证场景关键细节不丢失，为 3DGS 全任务加速提供统一、简洁的技术底座。

4.2 多视角一致性稠密化与剪枝双策略（VCD+VCP）

本文提出一对协同工作的 ** 多视角一致性稠密化（VCD）与多视角一致性剪枝（VCP）** 核心模块，构成精准高效的密度控制闭环。
多视角一致性稠密化（VCD）：通过跨视角采样构建逐像素重建误差图，以高斯投影覆盖域内的多视角高误差像素均值作为稠密化依据，仅对多视角一致欠重建区域执行高斯分裂与克隆，杜绝单视角误差带来的无效增生，显著降低高斯冗余。
多视角一致性剪枝（VCP）：联合高误差掩码与全局光度损失构建剪枝评分，精准识别并移除对多视角渲染无实质贡献的冗余高斯，在大幅压缩高斯数量的同时保持渲染质量无损。
双策略严格遵循多视角一致性约束，实现 “只增必要高斯、只删冗余高斯”，相较于现有方法具备更高的效率与质量平衡性。

4.3 基于紧凑盒（CB）的光栅化高效加速

为进一步释放渲染性能，本文提出紧凑盒（Compact Box, CB）光栅化优化策略。该方法在 Speedy-Splat 精确瓦片相交基础上，引入马氏距离约束对 2D 高斯有效投影区域进行紧致裁剪，剔除对最终像素贡献可忽略的边缘区域，大幅减少高斯–瓦片配对数量与光栅化计算开销。CB 模块以极小的实现代价，在不降低渲染质量的前提下，进一步提升训练与推理速度，与 VCD–VCP 形成 “密度控制 + 光栅化” 的全链路加速体系。

4.4 通用即插即用的跨任务加速能力

FastGS 具备强通用性、零侵入、即插即用的工程特性，可直接替换任意 3DGS 变体的自适应密度控制（ADC）模块，无需修改主干网络结构、参数化方式与优化目标，无缝适配动态场景重建、表面重建、稀疏视角重建、大尺度场景重建、SLAM 等主流任务。在 Deformable-3DGS、PGSR、DropGaussian、Octree-GS、Photo-SLAM、Mip-Splatting、Scaffold-GS 等经典主干上，FastGS 均实现2–8 倍训练加速，且渲染质量（PSNR/SSIM/LPIPS）保持持平或优于基线，为 3DGS 全生态落地提供统一高效的加速方案。

五、研究方法

FastGS 摒弃了 Taming-3DGS、Speedy-Splat 等传统方法依赖单视角信号或固定预算的弊端，通过构建多视角重建质量感知框架实现无预算的自适应密度控制。其核心流程为：首先随机采样多视角图像，基于渲染与真值图像间的光度误差生成逐视角损失图与高误差掩码；随后将三维高斯投影至图像空间，统计其在跨视角高误差区域的覆盖情况，分别计算稠密化分数 Sd​ 与剪枝分数 Sp​；基于这一多视角一致性分数，仅对跨视角均存在重建缺陷的区域执行高斯分裂 / 克隆，同时精准移除对多视角渲染贡献可忽略的冗余高斯，最终在大幅压缩高斯数量的同时，保持甚至提升场景的重建精度与 PSNR 指标。

5.1 初始化

用 SfM 点云初始化高斯，输入多视角图片。

5. 2 多视角一致性稠密化 VCD

采样若干视角，算渲染图与真值的逐像素 L1 误差。
标出高误差区域掩码。
把高斯投影到 2D，统计它覆盖多少多视角高误差像素。
分数够高才稠密化，避免乱加高斯。

5.3 多视角一致性剪枝 VCP

计算整张图光度损失（L1+SSIM）。
给每个高斯算 “多视角无用度” 分数。
冗余高斯直接删掉，关键高斯全部保留。

5.4 紧凑盒 CB 优化

基于马氏距离缩小 2D 高斯范围，砍掉无效高斯 - 瓦片对，渲染更快。

5.5 训练策略

前 15000 轮：每 500 轮做一次 VCD+VCP。
15000 轮后：降低剪枝频率，稳定高斯数量。
损失函数沿用标准 L1+SSIM。

六、 实验分析

6.1 静态场景（主结果）

Mip-NeRF 360：比 DashGaussian 快3.29×，画质持平。
Deep Blending：比原始 3DGS 快15.45×。
Tanks & Temples：100 秒内训完，PSNR 更高。
高斯数量大幅减少，显存占用更低。

6.2 多任务泛化（最强亮点）

动态重建：平均 2.84× 加速。
表面重建：2.24× 加速。
稀疏视角：2.56× 加速。
大场景：2.19× 加速。
SLAM：2.70×加速。
所有任务画质基本不变。

6.3 消融实验

VCD：训练加速 > 2×，高斯少 80%。
VCP：再加速 25%，高斯再少 26%。
CB：再加速 14%。
三者叠加 = FastGS 全程极速。

七、结论与展望

7.1 结论

FastGS 是一套简单、高效、通用的 3DGS 加速框架：训练时间进入百秒级别；
不靠预算，靠多视角一致性控制高斯；静态、动态、表面、稀疏视角、SLAM 全都能用；速度大幅提升，渲染质量保持 SOTA 水平。

7.2 展望

未来可进一步优化前向推理速度与移动端部署。可与更多 3DGS 变体结合，覆盖更多实时重建场景。有望推动实时 3D 内容生成在 AR/VR、数字人、自动驾驶等领域更快落地。