摩尔线程 ReorgGS 论文入选 NeurIPS 2026：一次高斯重组提升 3DGS 渲染画质与效率

摩尔线程宣布其三维重建研究成果《ReorgGS: Equivalent Distribution Reorganization for 3D Gaussian Splatting》被 NeurIPS 2026 录用为主会 Poster。论文针对 3DGS 训练后期的参数优化瓶颈，提出在已有模型上增加一次高斯重组：重新组织高斯的位置、形状与初始不透明度，再沿用既有流程继续训练，全程不改动渲染器与损失函数，也不引入新的神经网络模块。 方法的核心思路是把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，再用局部近邻估计形状与方向，以较低不透明度初始化。这样重建了高斯之间的遮挡与重叠关系，让更新信号更容易到达被遮挡的真实表面，并减少高斯对同一误差的冗余响应。 实验覆盖 3DGS、GOF、Taming-3DGS、3DGS-MCMC 和 LiteGS 五类来源模型，连同 LiteGS 不同容量设置共七种配置，在三大数据集上训练与测试 PSNR 均提升。相同目标高斯数量与相同额外训练迭代下，训练 PSNR 平均提升 0.534dB，测试 PSNR 平均提升 0.115dB；Deep Blending 上训练 PSNR 平均提升达 1.711dB。随机初始化实验中，训练 PSNR 从 32.12dB 提高到 33.23dB。 效率方面，论文报告 LiteGS 全部评估视角累计渲染耗时从 10.75 秒降至 9.37 秒，减少约 12.8%；逐测试像素统计显示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%。主对照在国际主流 GPU 上统一使用 LiteGS 额外优化 30,000 次。ReorgGS 代码即将开源，开源地址待后续公布。