跳转至

DC4GS: Directional Consistency-Driven Adaptive Density Control for 3D Gaussian Splatting

会议: NeurIPS 2025
arXiv: 2510.26921
代码: 有（Project Page）
领域: 3D Vision / 神经渲染
关键词: 3D Gaussian Splatting, 自适应密度控制, 方向一致性, 原语分裂, 场景重建

一句话总结

提出基于方向一致性（Directional Consistency）的自适应密度控制方法 DC4GS，通过利用位置梯度的角度相干性来改进 3DGS 中的 primitive 分裂决策和分裂位置选择，在减少最多 30% primitive 数量的同时提升重建质量。

研究背景与动机

3D Gaussian Splatting (3DGS) 通过一组 3D 高斯原语（primitives）实现高效实时的新视角合成。其核心组件之一是自适应密度控制（ADC），负责在训练过程中对原语进行分裂（split）、克隆（clone）和剔除（prune），以适应场景的复杂结构。

现有 ADC 的关键问题：

仅依赖梯度幅度：传统 ADC 基于位置梯度的幅度来决定是否分裂，但梯度幅度大并不总意味着需要分裂——可能是多个一致方向的梯度在推动原语移动，而非需要更多原语

随机分裂位置：当决定分裂时，子原语的放置位置是沿原原语的协方差主轴随机偏移，这种随机性导致子原语可能无法很好地对齐局部结构

冗余分裂：过度分裂导致原语数量膨胀，增加存储和渲染开销

这些问题的根源在于：梯度幅度只反映了"需要多少变化"，却没有反映"变化的方向是否一致"。

方法详解

整体框架

DC4GS 的核心思想是在 ADC 的两个关键步骤中引入方向一致性（DC）度量：

  1. 分裂判定：结合梯度幅度和方向一致性共同决定是否分裂
  2. 分裂位置：利用方向一致性信息确定子原语的最优放置位置

关键设计

1. 方向一致性度量

对于每个高斯原语，在训练过程中累积其位置梯度。方向一致性通过梯度的角度相干性来衡量：

\[DC = \frac{\|\sum_{i=1}^{N} \mathbf{g}_i\|}{\sum_{i=1}^{N} \|\mathbf{g}_i\|}\]

其中 \(\mathbf{g}_i\) 是第 \(i\) 个训练步的位置梯度。DC 值范围在 [0, 1]： - DC ≈ 1：梯度方向高度一致，原语需要平移而非分裂 - DC ≈ 0：梯度方向分散，说明局部结构复杂，需要分裂以提供更多表示能力

2. 基于 DC 的分裂判定

传统 ADC 的分裂条件：\(\|\bar{\mathbf{g}}\| > \tau\)（平均梯度幅度超过阈值）

DC4GS 的分裂条件：\(\|\bar{\mathbf{g}}\| > \tau\) 且 \(DC < \tau_{DC}\)

即只有当梯度幅度大且方向不一致时才执行分裂。如果梯度方向高度一致（DC 高），即使幅度大，也仅执行平移或克隆，避免冗余分裂。

3. 基于 DC 的最优分裂位置

当需要分裂时，DC4GS 不再随机放置子原语，而是利用梯度方向信息确定最优位置：

  • 分析累积梯度的方向分布，识别出梯度指向的主要方向簇
  • 将子原语放置在这些方向簇对应的位置上
  • 确保子原语能最佳地对齐局部结构，而非随机偏移

这种数据驱动的分裂位置选择使子原语从一开始就处于更好的位置，减少后续优化所需的迭代次数。

损失函数 / 训练策略

DC4GS 不改变 3DGS 的基础渲染和优化损失（L1 + D-SSIM），仅修改 ADC 策略： - 在每次 densification 步骤中计算每个原语的 DC 值 - 使用 DC 阈值 \(\tau_{DC}\) 过滤掉方向一致的原语（不分裂） - 对需要分裂的原语，基于梯度方向信息计算最优子原语位置

该方法可以无缝集成到现有 3DGS 训练pipeline中，无需额外的训练过程。

实验关键数据

主实验

Table 1：Mip-NeRF 360 数据集定量对比

方法 PSNR ↑ SSIM ↑ LPIPS ↓ #Primitives ↓
3DGS (原版) 27.21 0.815 0.214 3.26M
Mini-Splatting 27.40 0.820 0.210 2.80M
AbsGS 27.35 0.818 0.212 3.10M
DC4GS (Ours) 27.58 0.823 0.205 2.28M

DC4GS 使用仅约 70% 的原语数量，在所有渲染质量指标上均优于原版 3DGS 和其他密度控制方法。

Table 2：Tanks and Temples / Deep Blending 数据集

方法 PSNR ↑ SSIM ↑ LPIPS ↓ 原语减少比
3DGS 23.14 0.841 0.183 -
Compact-3DGS 23.25 0.843 0.180 ~15%
DC4GS (Ours) 23.52 0.849 0.173 ~30%

在 Tanks and Temples 等室外大场景中，DC4GS 原语减少效果更为显著（最高达 30%），同时渲染质量也有提升。

消融实验

DC 判定 vs. 分裂位置的贡献分析

配置 PSNR ↑ #Primitives ↓
Baseline (3DGS) 27.21 3.26M
+ DC 分裂判定 27.38 2.65M
+ DC 分裂位置 27.33 3.10M
+ DC 判定 + 位置 (DC4GS) 27.58 2.28M

两个组件都有独立贡献，DC 分裂判定主要减少冗余原语，DC 分裂位置主要提升重建质量。两者组合效果最佳。

关键发现

  1. 梯度方向比幅度更重要：传统 ADC 仅看梯度大小，DC4GS 表明方向一致性是更关键的信号——方向一致意味着原语应移动而非分裂
  2. 原语数量大幅减少：在保持甚至提高渲染质量的前提下，原语最多减少30%，直接降低了存储和推理开销
  3. 即插即用：DC4GS 可直接替换 3DGS 的 ADC 组件，无需改动网络结构或损失函数
  4. 复杂场景收益更大：室外场景和几何细节丰富的场景中，DC 信号的区分度更高

亮点与洞察

  • 简洁有效的观察：梯度方向一致性这一简单的统计量包含了丰富的局部结构信息，是一个被忽视但极有价值的信号
  • 减少不改质量：与压缩方法不同，DC4GS 通过更智能的分裂策略从源头减少冗余，而非训练后剪枝
  • 理论直觉清晰：DC ≈ 1 说明多个视角对该原语的优化方向一致（应移动），DC ≈ 0 说明存在冲突（应分裂为多个子原语来分别拟合）
  • 通用性：方向一致性的思想不仅适用于 3DGS，也可推广到其他需要自适应密度控制的表示方法

局限与展望

  1. DC 阈值敏感性：\(\tau_{DC}\) 的选择可能因场景而异，自适应阈值选择策略有待探索
  2. 与其他加速方法兼容性：是否能与蒸馏、量化等方法叠加使用尚需验证
  3. 动态场景：当前方法针对静态场景，动态 3DGS 中的 ADC 改进是有价值的扩展方向
  4. 极端场景：对于非常稀疏或非常密集的区域，DC 信号的可靠性可能下降

相关工作与启发

  • 3DGS (Kerbl et al. 2023)：原始的 3D Gaussian Splatting 框架
  • Compact-3DGS：通过后处理压缩减少原语
  • Mini-Splatting：限制原语数量的训练策略
  • AbsGS：基于绝对梯度的密度控制改进
  • NeRF 系列：隐式表示的替代范式

评分

维度 分数 (1-5)
新颖性 4 — 方向一致性驱动 ADC 是简洁而有效的新视角
技术质量 4 — 方法清晰合理，实验全面
实验充分性 4 — 多数据集验证 + 消融分析
写作质量 4 — 动机和方法阐述清晰
影响力 4 — 直接改进 3DGS 核心组件，实用价值高

相关论文