⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-11-08 更新
FastGS: Training 3D Gaussian Splatting in 100 Seconds
Authors:Shiwei Ren, Tianci Wen, Yongchun Fang, Biao Lu
The dominant 3D Gaussian splatting (3DGS) acceleration methods fail to properly regulate the number of Gaussians during training, causing redundant computational time overhead. In this paper, we propose FastGS, a novel, simple, and general acceleration framework that fully considers the importance of each Gaussian based on multi-view consistency, efficiently solving the trade-off between training time and rendering quality. We innovatively design a densification and pruning strategy based on multi-view consistency, dispensing with the budgeting mechanism. Extensive experiments on Mip-NeRF 360, Tanks & Temples, and Deep Blending datasets demonstrate that our method significantly outperforms the state-of-the-art methods in training speed, achieving a 3.32$\times$ training acceleration and comparable rendering quality compared with DashGaussian on the Mip-NeRF 360 dataset and a 15.45$\times$ acceleration compared with vanilla 3DGS on the Deep Blending dataset. We demonstrate that FastGS exhibits strong generality, delivering 2-7$\times$ training acceleration across various tasks, including dynamic scene reconstruction, surface reconstruction, sparse-view reconstruction, large-scale reconstruction, and simultaneous localization and mapping. The project page is available at https://fastgs.github.io/
当前主流的3D高斯延展（3DGS）加速方法未能正确调节训练过程中的高斯数量，导致冗余的计算时间开销。针对这一问题，本文提出了FastGS，这是一种新颖、简单且通用的加速框架。它充分考虑了每个高斯的重要性，基于多视角一致性，有效地解决了训练时间和渲染质量之间的权衡问题。我们创新地设计了基于多视角一致性的密集化和修剪策略，摒弃了预算机制。在Mip-NeRF 360、Tanks & Temples以及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优于现有技术，在Mip-NeRF 360数据集上与DashGaussian相比实现了3.32×的训练加速和可比的渲染质量，在Deep Blending数据集上与标准3DGS相比实现了15.45×的加速。我们证明FastGS具有很强的通用性，在各种任务中实现了2-7×的训练加速，包括动态场景重建、表面重建、稀疏视图重建、大规模重建以及同时定位和地图构建。项目页面可在https://fastgs.github.io/找到。
论文及项目相关链接
PDF Project page: https://fastgs.github.io/
Summary
本文提出了一种新型的基于多视角一致性的快速训练加速框架FastGS，旨在解决当前主流的3D高斯模糊加速方法存在的冗余计算时间开销问题。FastGS能够全面考虑每个高斯的重要性，通过高效地平衡训练时间和渲染质量，实现了一种创新的密度增加和剪枝策略。实验结果显示，相较于最新方法，FastGS在多个数据集上的训练速度有了显著的提升，同时保证了渲染质量。此外，FastGS还表现出了很强的通用性，在各种任务中都能实现2-7倍的训练加速。
Key Takeaways
- FastGS解决了现有主流加速方法存在的冗余计算时间问题。
- FastGS基于多视角一致性考虑每个高斯的重要性。
- FastGS通过创新的密度增加和剪枝策略实现了高效的训练加速。
- 在多个数据集上的实验结果显示，FastGS显著提升了训练速度并保持高质量的渲染结果。
- FastGS展现了出色的通用性，在多种任务中都实现了训练加速。
- FastGS能够在动态场景重建、表面重建、稀疏视角重建、大规模重建以及同时定位和地图构建等多个任务中发挥作用。
点此查看论文截图
