点击下方卡片关注「3D视觉工坊」公众号选择星标干货第一时间送达本文经作者授权发布 | 来源3D视觉工坊「3D视觉从入门到精通」知识星球(点开有惊喜) 星球内有20多门3D视觉系统课程、300场顶会讲解、顶会论文最新解读、海量3D视觉行业源码、项目承接、求职招聘等。想要入门3D视觉、做项目、搞科研欢迎加入1.效果展示2. 论文信息标题FastGS: Training 3D Gaussian Splatting in 100 Seconds文章链接https://arxiv.org/pdf/2511.04283项目主页https://fastgs.github.io代码https://github.com/fastgs/FastGS作者Shiwei Ren*, Tianci Wen*, Yongchun Fang†, Biao Lu作者单位南开大学发表会议CVPR 20263. 摘要现有主流的3D高斯泼溅加速方法在训练过程中未能有效调控高斯数量导致大量冗余计算时间开销。本文提出FastGS——一个新颖、简洁且通用的加速框架基于多视角一致性充分评估每个高斯的重要性高效解决了训练时间与渲染质量之间的权衡问题。我们创新性地设计了基于多视角一致性的稠密化与剪枝策略摒弃了预算机制。在Mip-NeRF 360、Tanks Temples和Deep Blending数据集上的大量实验表明我们的方法在训练速度上显著超越现有最优方法在Mip-NeRF 360数据集上相比DashGaussian实现3.29倍训练加速且渲染质量相当在Deep Blending数据集上相比原始3DGS实现15.45倍加速。我们进一步证明FastGS展现出强大的通用性在动态场景重建、表面重建、稀疏视角重建、大尺度重建以及SLAM等多种任务中均可实现2-6倍的训练加速。4. 创新点新颖、简洁且通用的3DGS加速框架可在约100秒内完成场景训练同时保持与现有SOTA方法相当的渲染质量。高效的稠密化与剪枝策略基于每个高斯对多视角重建质量的贡献度严格控制其添加与移除大幅加速训练过程。通用且达到SOTA性能的多任务适配在静态场景中本方法的训练速度超越现有最优技术同时保持相当的渲染质量并能良好泛化至动态场景重建、表面重建、稀疏视角重建、大尺度重建以及SLAM等多种任务。5. 方法5.1 方法架构5.2 多视角一致的稠密化(VCD)我们先从训练视角里随机挑出一批相机视角拿到它们对应的真实图像和渲染图像。对于每个视角我们会逐像素对比渲染结果和真实结果的差异算出一个误差值。把所有像素的误差值归一化之后就得到了一张能反映重建质量的“损失图”。接下来我们设定一个阈值把那些误差特别大的像素标记出来——这些地方就是当前重建得不太好的区域。那么问题来了这些重建差的区域到底是由哪些高斯负责的我们的做法是把每个3D高斯投影到图像上得到一个二维的覆盖区域然后看这个区域里包含了多少被标记为“高误差”的像素。我们会把多个视角下的结果汇总起来给每个高斯算一个“重要性分数”分数越高说明这个高斯在多个视角下都正好落在重建质量差的区域里那它就很有可能是导致问题的根源。只有那些重要性分数超过一定阈值的高斯我们才会对它们进行稠密化操作。这样一来新增的高斯就能精准地投放到真正需要更多细节的地方而不是盲目地在全图范围内添加既高效又有针对性。5.3 多视角一致的剪枝(VCP)我们在做剪枝的时候不光要看局部像素的误差还要从整体上衡量每个高斯对渲染质量的影响。具体来说对于每个选中的相机视角我们会计算渲染图像和真实图像之间的光度损失。这个损失结合了L1误差和结构相似性损失能够比较好地反映出一张图的整体重建质量好坏。接着我们把前面算过的每个高斯的局部重要性信息和这个全局的光度损失结合起来。简单来说如果一个高斯在多个视角下都落在高误差区域里同时这些视角的整体重建质量本来就很差那这个高斯就很有可能是“罪魁祸首”之一或者说它对整体渲染质量的负面影响比较大。我们会给每个高斯算一个“剪枝分数”分数越高代表这个高斯在多视角下对渲染质量的负面影响越大或者说它的贡献越 negligible。6. 实验结果6.1 实验设置GPU: RTX4090对比方法静态重建DashGaussian(CVPR 2025), Mini-Splatting(ECCV 2024), Speedy-Splat(CVPR 2025), Taming-3DGS(SIGGRAPH Asia 2024)以及vanilla 3DGS(SIGGRAPH 2023)动态重建Deformable-3DGS(CVPR 2024)表面重建PGSR(TVCG 2024)大场景重建Octree-GS(TPAMI 2025)稀疏视角重建DropGaussian(CVPR 2025)SLAMPhoto-SLAM(CVPR 2024)6.2 实验结果静态重建动态重建表面重建大场景重建稀疏视角重建SLAM6.3 消融实验写在最后最后感谢大家能读到这里如果能帮助到大家就太好了。也非常感谢复现我们算法并且开源的朋友。本文仅做学术分享如有侵权请联系删文。3D视觉方向论文辅导来啦可辅导SCI期刊、CCF会议、本硕博毕设、核心期刊等。添加微信cv3d001备注姓名方向单位邀请入群。