SIGGRAPH Asia 2025：摩尔线程赢图形顶会3DGS挑衅赛大年夜奖，自研LiteGS周全开源

为此，摩尔线程自立研发了3DGS基本库LiteGS，初次实现了从底层GPU体系、中层数据治理到高层算法设计的全链路协同优化：

• 在GPU体系层面，摩尔线程立异提出基于“One Warp Per Tile”原则的“Warp-Based Raster”新范式，将梯度聚合简化为一次Warp内归约，并结合扫描线算法与混淆精度策略，大年夜幅降低梯度计算开销，同时实现高效的像素级统计才能；
• 在数据治理层，引入“聚类-剔除-紧缩”流水线，借助Morton编码以极低开销对高斯基元进行动态空间重排，明显晋升数据局部性，削减缓存掉效与Warp分支；
• 在算法设计层，摒弃原有模糊的度量指标，采取更为鲁棒的像素不透明度梯度方差作为致密化的核心判据，精准辨认欠拟合区域，其轻量化计算直接收益于底层光栅化器的高效统计支撑。

2025年12月17日，在喷鼻港举办的全球图形学范畴备受注目标顶级学术嘉会 SIGGRAPH Asia 2025上，摩尔线程在3D Gaussian Splatting Reconstruction Challenge（3DGS 重建挑衅赛）中凭借自研技巧 LiteGS 出色的算法实力和软硬件协同优化才能，斩获大年夜赛银奖，再次证实摩尔线程在新一代图形衬着技巧上的深度积聚与学术界的高度承认。 

 

3DGS：下一代图形衬着的范式革命，开启AI加快的高效衬着时代

摩尔线程AI团队以参赛编号“MT-AI”进入决赛阶段，在重建精度与效力两项指标上取得均衡且亮眼的表示：

• 平均 PSNR：27.58（位列前三）
• 重建耗时：34秒（明显领先多半部队）

3D Gaussian Splatting（3DGS，三维高斯溅射）是2023年提出的一项革命性3D 场景表示与衬着技巧，以可参数化的3D 高斯分布为核心，实现了画质、效力与资本占用之间的卓越均衡。与传统 NeRF 比拟，3DGS 在保持逼真衬着质量的前提下，将衬着效力晋升数百至上千倍，并在光线追踪、VR/AR 及时衬着、多模态融合等偏向展示出极强的适应性与扩大性。

 （*上图仅作示意） 

作为近年来快速成长的神经衬着技巧，3DGS不仅在三维重建与及时衬着等偏向展示出卓越优势，也在更广泛的 AI 场景中具备潜在的基本价值。尤其是在具身智能（Embodied AI）等须要智能体懂得并与真实情况交互的前沿范畴，高质量、低延迟的三维情况建模至关重要。3DGS 以其高保真场景显示、快速优化才能和轻量级构造，为构建精确的世界模型供给了靠得住支撑，有助于晋升路径筹划、情况感知和复杂操作义务的才能。跟着 AI 技巧向“懂得并操作真实世界”偏向赓续延展，3DGS 正逐渐成为具身智能练习场景中的关键基本技巧之一。

正因其对将来图形学技巧路线的关键意义，3DGS 已成为全球学术界与家当界竞相投入的研究偏向，受到 SIGGRAPH Asia 等威望机构的高度存眷。

极致挑衅：60秒高质量重建，推动3DGS技巧走向实用化临界点

本次比赛为参赛团队设置了极具挑衅性的义务：参赛者需在60秒内，基于主办方供给的真实终端视频序列（10–30秒）、存在误差的相机轨迹以及终端 SLAM 点云，在极短时光内完成完全的3DGS 高质量重建。

主办方以 PSNR（重建质量）与重建速度为综合评价指标，力争在完全公开、公平的前提下得出威望排名。

今朝3D Gaussian Splatting Reconstruction Challenge（3DGS 重建挑衅赛）的成果及数据集已向全球公开，相干材料可在 SIGGRAPH Asia 官方网站获取（https://gaplab.cuhk.edu.cn/projects/gsRaceSIGA2025/）。

摩尔线程的技巧答卷：以全栈才能实现精度与速度的极致均衡

凭借行业领先的3DGS 算法构建才能与软硬件协同优化优势，摩尔线程最终获得二等奖（银牌）的优良成就。

开放协作：摩尔线程开源3DGS基本库 LiteGS

       作为一种新兴的场景表示与新视角合成技巧，3DGS凭借高衬着质量与及时衬着速度，在计算机图形学与视觉范畴实现了明显冲破。该技巧经由过程数以百万计的各向异性三维高斯基元来表示三维场景，以实现逼真的衬着后果，并在主动驾驶、虚拟实际、数字孪生等范畴展示出巨大年夜潜力。然而，尽管3DGS的衬着速度极快，其练习过程却往往须要数十分钟甚至数小时，成为制约其广泛应用的重要瓶颈。现有优化筹划往往仅从单一层面入手，难以体系性地解决练习过程中的机能制约。

经由过程体系与算法的协同优化，LiteGS在练习效力与重建质量上均实现明显领先，建立了该范畴新的机能标杆。在达到与当前质量最优筹划一致水日常平凡，LiteGS可获得高达10.8倍的练习加快，且参数量削减一半以上；在雷同参数量下，LiteGS在PSNR指标上超出主流筹划0.2–0.4 dB，练习时光缩短3.8至7倍。针对轻量化模型，LiteGS仅需原版3DGS约10%的练习时光与20%的参数量，即可实现一致质量，展示出卓越的工程实用性与技巧前瞻性。

LiteGS 项目地址：https://github.com/MooreThreads/LiteGS ，以推动三维重建与衬着技巧的开放协作与持续演进。