斩获AI顶会NeurIPS 2026！摩尔线程前沿成果ReorgGS：以极小工程改动，提升3DGS渲染画质与效率

近日，全球人工智能顶级学术会议NeurIPS 2026正式公布录用结果， 摩尔线程三维重建最新研究成果《ReorgGS: Equivalent Distribution Reorganization for 3D Gaussian Splatting》成功入选主会Poster 。这不仅代表着该项创新获得国际顶会高度认可，也展现了团队在下一代神经渲染与3D内容生成领域的硬核研发实力。

作为计算机图形学与三维视觉领域当前最受瞩目的前沿方向之一，3DGS虽能实现高质量实时渲染，但其训练后期的参数优化瓶颈一直是业界面临的技术难题。**此次入选NeurIPS的ReorgGS给出了一种兼具极简工程特性的破局方案：**为已有3DGS模型增加一次高斯重组，以极小的工程改动，让同样的后训练预算获得更好的画质，并降低渲染开销。

在覆盖五类方法、三大数据集的实验中， ReorgGS的训练PSNR平均提升0.534dB；论文报告的LiteGS累计渲染耗时减少约12.8% 。ReorgGS的接入改动集中在一个重组步骤：重新组织已有高斯的位置、形状与初始不透明度，随后沿用既有流程继续训练。整个过程不改动渲染器与损失函数，也不引入新的神经网络模块，开发者可以保留已经搭建的渲染与训练组件，无需为此重新设计整套系统。

图1：同样额外训练30,000次，加入一次高斯重组后，木地板纹理更加清晰。取自论文Figure 3的LiteGS行，保留原有红框与放大区域。

重塑优化动力学，让训练突破局部瓶颈

3DGS用大量高斯基元表示场景，通过优化它们的位置、形状、颜色和不透明度逐步还原真实图像。训练进入后期，整体画面可能已经接近真实场景，细节却迟迟无法改善。ReorgGS将这一现象与高斯参数化的退化联系起来：前方高不透明度的漂浮基元会削弱后方真实表面的梯度信号；大量相互重叠的高斯又可能对同一图像误差产生相似响应，形成冗余耦合，限制参数更新的有效性。

ReorgGS的核心洞察是：相近的场景分布，并不意味着相同的优化动力学。

方法将已训练模型视为描述场景的概率分布，从中重新采样高斯中心，再利用局部近邻估计形状与方向，以较低不透明度初始化。已有模型学到的场景信息由此成为重组的依据，而高斯之间的遮挡与重叠关系得到重建，相当于为同一场景换一套更利于优化的参数坐标。

图2：高斯重组改变后续优化路径，帮助模型恢复局部细节。由论文teaser重排，前两列为结构示意，右列为渲染结果。

这一设计从梯度可达性与参数耦合两个方面改善后续训练：让更新信号更容易到达被遮挡的真实表面，减少高斯对同一误差的冗余响应。通过重建参数坐标，ReorgGS 改变了局部优化几何，使同一个损失函数下的梯度更新更有效。对实际训练而言，其价值是让既有表示容量被更充分地利用，将后续迭代转化为细节恢复。

训练拟合显著增强，收益覆盖多方法、多数据集

训练视角上的提升，直接反映了模型能否更充分地拟合已知观测。在相同目标高斯数量、相同额外训练迭代次数下，ReorgGS 的训练 PSNR 平均提高 0.534 dB，测试 PSNR 平均提高0.115dB。这说明，重组带来的收益既体现在优化过程，也延伸到了未参与训练的新视角。

实验覆盖3DGS、GOF、Taming-3DGS、3DGS-MCMC和LiteGS五类来源模型，连同LiteGS 的不同容量设置，共形成七种配置。按配置汇总，七种配置的训练与测试 PSNR 均提升；按数据集汇总，三个数据集的训练与测试PSNR也均提升。这一结果体现了重组对不同模型组织方式和场景分布的适用性。

图3：从方法配置与数据集两个维度观察收益。配置对照取各配置在11个场景上的均值；数据集对照在各数据集内汇总七种配置及对应场景。数值均为相对直接继续训练的PSNR平均增量，单位dB，越高越好。

其中，Deep Blending上的训练PSNR平均提升达到1.711dB，测试平均提升0.319dB。在初始高斯组织更粗糙的随机初始化实验中，重组同样带来更明显的优化收益：训练PSNR从32.12 dB提高到33.23dB，增量为1.107dB；测试PSNR从27.31dB提高到27.70dB，增量为0.393dB。两条分支使用同一初始模型和相同的额外训练预算，进一步支持了通过重组改善后期优化的价值。

画质提升之外，渲染耗时减少12.8%

更好的高斯组织也转化为渲染效率收益。论文报告，在LiteGS上对全部评估视角进行渲染，累计耗时从基线的10.75秒降至9.37秒，减少约12.8%。这一效率收益来自模型结构的改善，沿用同一渲染器即可获得。

这一收益有着明确的结构依据：重组减少局部冗余重叠，降低像素颜色合成时的高斯混合计算量。逐测试像素统计显示，相比直接继续训练，参与混合的高斯数量从平均453.45个降至353.76个，负载减少约22%。因此，ReorgGS在改善重建细节的同时，也减轻了渲染端的重复计算。

图4：渲染时间与混合负载分别下降。左侧为论文报告的LiteGS训练、测试视角累计渲染耗时，与论文基线比较；右侧与直接继续训练比较，在11个场景、约4.48亿个测试像素上按像素数加权。两项指标采用各自的比较对象。

▼ 学术论文：

ReorgGS:Equivalent Distribution Reorganization for 3D Gaussian Splatting

▼ 论文链接：

https://arxiv.org/abs/2605.08739

▼ 开源地址：**

待后续公布

*画质数据来自作者实验记录，统计指标为PSNR；主对照在国际主流GPU上统一使用LiteGS进行额外30,000次优化，采用相同目标高斯数量与增密、剪枝、不透明度重置设置。图3为分组均值，不表示每个配置与场景组合均改善。随机初始化实验以100k个高斯训练30,000次后分支，再各训练30,000次。渲染计时引自论文，混合负载来自作者逐像素统计。

▼ 关于摩尔线程

摩尔线程以全功能GPU为核心，致力于向全球提供加速计算的基础设施和一站式解决方案，为各行各业的数智化转型提供强大的AI计算支持。

我们的目标是成为具备国际竞争力的GPU领军企业，为融合人工智能和数字孪生的数智世界打造先进的加速计算平台。我们的愿景是为美好世界加速。