Prune Wisely, Reconstruct Sharply: Compact 3D Gaussian Splatting via Adaptive Pruning and Difference-of-Gaussian Primitives¶

会议: CVPR 2026
arXiv: 2602.24136
作者: Haoran Wang, Guoxi Huang, Fan Zhang, David Bull, Nantheera Anantrasirichai (University of Bristol)
代码: 即将公开
领域: 3D视觉
关键词: 3D Gaussian Splatting, 模型剪枝, Difference-of-Gaussians, 紧凑表示, 新视角合成

一句话总结¶

提出自适应重建感知剪枝策略（RPS）和 3D DoG 原语，在保持渲染质量的同时实现 90% 的高斯点裁减。

背景与动机¶

3D Gaussian Splatting (3DGS) 实现了实时高保真渲染，但通常需要大量高斯原语，导致冗余表示和高资源消耗。现有剪枝方法在固定迭代次数处剪枝、使用统一的细化间隔，忽略了重建过程的动态特性，导致优化不稳定：过早剪枝会移除必要的原语，过晚剪枝则收效甚微。此外，光滑的高斯核在紧凑配置下难以捕获精细细节。

核心问题¶

何时剪枝：固定剪枝时间表未考虑不同场景的重建难度差异
剪多少：固定剪枝比率忽略了冗余度随训练变化的事实
如何评估重要性：仅基于空间域的评分忽略了频域中对边缘和纹理至关重要的信息
如何保持细节：激进剪枝后标准高斯原语的平滑性限制了细节表示

方法详解¶

3.1 重建感知剪枝调度器 (RPS)¶

RPS 由三个关键组件组成：

细化间隔调节 (RIR)：以 L1 重建损失作为质量指标，自适应调整剪枝时机。定义剪枝条件为：

\[L_1^{(t)} \leq \beta \cdot L_1^{(t-1)}, \quad \beta = 0.95\]

满足条件 → 重建质量改善，执行下一轮剪枝
不满足 → 继续细化，直到条件满足或达到最大间隔 \(Iter_{\max} = 2000\)
每 500 次迭代检查一次

动态剪枝比率调整 (DPRA)：随着冗余度降低，逐步减少每轮剪枝量。第 \(t\) 轮的目标数量和剪枝比率：

\[N^{(t)} = N_{\text{current}} - (N_0 - N_{\text{target}}) \cdot \frac{1}{2^t}\]

\[R^{(t)} = \frac{N_{\text{current}} - N^{(t)}}{N_{\text{current}}}\]

早期激进剪枝、后期保守剪枝，兼顾效率和质量。

时空频谱剪枝评分 (SPS)：结合空间域和频域梯度信息评估每个高斯原语的重要性：

\[\tilde{U}_i^* = \lambda_s \cdot \frac{(\nabla_{g_i} I_{\mathcal{G}})^2}{\|\tilde{U}\|_2} + \lambda_f \cdot \frac{(\nabla_{g_i} \text{FFT}(I_{\mathcal{G}}))^2}{\|\tilde{U}^f\|_2}\]

其中频域评分使用径向频率加权 \(w(\omega) = (\|\omega\| / \omega_{\max})^{\gamma_f}\) 强调高频信息，确保对尖锐结构至关重要的高斯原语不被误剪。

3.2 3D Difference-of-Gaussians (3D-DoG) 原语¶

针对剪枝后细节丢失问题，提出了一种可同时建模正密度和负密度的新型原语：

\[\text{DoG}(x) = G(x) - G_p(x)\]

伪高斯 \(G_p\) 与主高斯共享中心坐标和旋转，但有独立的不透明度因子 \(f^\alpha\) 和缩放因子 \([f_x^s, f_y^s, f_z^s]\)
仅额外引入 4 个可学习参数
正密度峰 + 负密度环 → 内在的对比度增强，对边缘和纹理更敏感
所有因子 < 1.0，保证正峰仍主导辐射

3D-DoG 密度控制：剪枝完成后激活 DoG 原语，迭代监控伪高斯不透明度 \(\alpha_p\)，当 \(\alpha_p\) 低于阈值时将该 DoG 退化为标准高斯，自适应平衡两类原语比例。

整体流程¶

前 15k 迭代：标准 3DGS 训练 + 密度化
15k 后：启动 RPS 进行渐进剪枝-细化，至多 25k 迭代
剪枝完成后：引入 3D-DoG 并优化混合比例

实验关键数据¶

方法	Size (MB) ↓	PSNR ↑	SSIM ↑	LPIPS ↓	训练时间 ↓
3DGS	645.2	27.47	0.826	0.201	17m1s
MaskGaussian	280.7	27.43	0.811	0.227	24m11s
PuP-3DGS	90.6	26.67	0.786	0.271	-
Speedy-Splat	73.9	26.84	0.782	0.296	16m30s
Ours	65.3	27.16	0.789	0.285	13m48s

Mip-NeRF 360 数据集，90% 剪枝率

消融变体	RIR	DPRA	SPS	DoG	PSNR	SSIM	FPS
3DGS (100%)	✗	✗	✗	✗	27.47	0.826	143.5
V1	✓	✗	✗	✗	26.03	0.742	362.4
V2	✓	✓	✗	✗	26.17	0.751	363.2
V3	✓	✓	✓	✗	26.99	0.771	361.9
完整	✓	✓	✓	✓	27.16	0.789	289.0

亮点¶

自适应剪枝时机 + 动态比率：摆脱手动调参，适应不同场景复杂度
SPS 频域评分：首次将 FFT 梯度引入 3DGS 重要性评估
3D-DoG 负密度环：巧妙利用 DoG 的「边缘增强」特性弥补剪枝后的细节损失
90% 剪枝后仍接近原始质量，训练速度提升 1.23×，推理 FPS 提升 2×

局限与展望¶

在 Bicycle 等复杂场景中 90% 剪枝目标下仍有轻微性能下降
DoG 激活时有短暂 PSNR 抖动（25k 迭代处），需后续迭代恢复
未在动态场景或大规模场景上验证
额外的 FFT 计算和 DoG 对 FPS 有一定影响（289 vs 362 FPS）

与相关工作的对比¶

vs Mini-Splatting：Mini-Splatting 聚合混合权重作为剪枝评分，本文的 SPS 额外纳入频域信息
vs PuP-3DGS：PuP 评估空间灵敏度，但使用固定剪枝时间表；本文自适应调度
vs MaskGaussian：MaskGaussian 学习自适应 mask，但模型尺寸 4× 大于本文
vs LightGaussian：LightGaussian 基于 2D 投影面积 × 不透明度，本文在频域更鲁棒

启发与关联¶

DoG 是经典图像处理中边缘检测的灵感来源（LoG 近似），将其引入 3DGS 原语设计是跨领域的创新
频域剪枝评分可推广到其他基于点的表示（点云压缩等）
自适应剪枝策略可与模型量化、编码方法结合，进一步压缩存储

评分¶

新颖性: ⭐⭐⭐⭐ — DoG 原语和频域评分是有趣的设计
实验充分度: ⭐⭐⭐⭐ — 三个标准数据集 + 详细消融
写作质量: ⭐⭐⭐⭐ — 结构清晰，公式推导完整
价值: ⭐⭐⭐⭐ — 对 3DGS 紧凑化有实际意义