“照片变模型”的魔法，3DGS已经做得足够惊艳——随便拿手机绕物体拍一圈，一段时间后就能拖着一个720°任意看的逼真模型旋转。
但！魔法背后有个小尴尬：训练时间。别人刷两集短剧，它还在GPU里“吭哧吭哧”地增加点，优化点。场景大一点、照片多一点，动辄几十分钟甚至数小时，创意灵感都被“进度条”磨平了。
本文将探讨3DGS加速建模的核心问题、技术路径和工程化实践，让3DGS从建的好走向又好又快。
3DGS到底慢在哪?
想要知道3DGS慢在哪里，让我们了解下3DGS的主要流程。
主要流程：
- 有一堆有一堆图片和一个初始的高斯椭球集合，这些都需要扔到显卡中；
- 随机挑选一张图片，选取图片可以看到的椭球，再将椭球投影到图片上；
- 椭球进行叠加混合来模拟图片；
- 计算模拟图片和真实图片的误差，优化椭球；
- 根据需要增加和删除椭球。
主要流程中基本每一步都有几个潜在拖慢训练的环节，我们大概指出可能拖慢模型训练的点：
- 椭球数量过多：椭球数量增加会相应的加大计算量
- 无效计算过多：椭球投影后涉及像素范围选取过大
- 图片分辨率大：图片分辨率越高计算量越大
- 误差计算较慢：Pytorch的SSIM误差计算慢
- 优化椭球较慢：梯度计算慢导致优化慢
所以可以看到，想要快速的建模需要跨过的难关还是不少的。
训练提速的几种手段
3DGS原始论文发布已有2年多，期间涌现了许多专注加速的相关研究，如Turbo-GS、Taming-GS、FastGS等多篇论文。总结他们主要的加速手段后，主要是有以下几个关键点。
01精确椭球边界，减少冗余计算
一个高斯椭球投影到图片后，为了后续的模拟图片，需要计算出其影响多少个像素。
从下图可以看出，原始3DGS粗暴的计算一个大的方形区域，导致了后续较多的冗余计算。Speedy-Splat等多篇论文提出了不同的精确边界计算方式，尽量减少多余的计算。
论文结论和我们实际测试相符，大体可以节约10%的训练时间。
高斯椭球影响的像素范围
02逐椭球并行，加速梯度计算
原始论文在手写梯度求导的过程中，梯度是逐像素计算的。即根据像素数量分配线程，并行处理涉及到的高斯椭球。
原始 3DGS 的反向传播，把线程跟像素一一绑定，每个像素要把自己算出的梯度“写回”到它踩中的那几个高斯球上。
但高斯球是共享的——几十上百个像素可能同时想给同一只球写数据。
于是大家只能原子级排队（atomic add），像早高峰挤地铁，人越多，门越小，进站越慢。
Taming-GS提出可以按照高斯椭球来分配线程，这样就规避了原子级排队问题，从而大大提升了训练速度。
Taming-GS梯度计算优化
03可视椭球选取，减少无用更新
深度学习常用的优化器会更新所有的参数，但是在3DGS中实际上只有部分当前图片可以看到的高斯椭球需要更新。
图片通常只看到部分场景
默认的优化器会将没有见到的椭球也进行参数更新，这就导致了训练速度的明显降低。
Taming-GS重写了Adam优化器，将当前需要更新的高斯椭球索引传入优化器，从而可以选择性的更新那些当前可见的高斯椭球，明显加快了训练速度。
Mapmost加速实践
Mapmost已经综合多种业界方案下提出了Boost-GS方法，在保证质量的前提下能够实现明显的加速效果。常见1600图片分辨率下至多可以达到50%的加速效果，在5200图片分辨率下也可以达到15%的速度提升。
NVIDIA 3090显卡运行结果
Mapmost 3DGS Builder平台开放体验中，上传图片体验一键加速建模，给你一个高精清晰的三维模型。
申请试用，请至Mapmost官网联系客服
Mapmost 3DGS Builder在线体验版已上线~
欢迎体验:studio.mapmost.com/3dgs
