TL;DR

3D Gaussian Splatting (3DGS) 虽然在渲染速度上超越了 NeRF，但其训练时的计算冗余（尤其是超长的像素点 Gaussian 列表）仍是瓶颈。本文提出的 ShorterSplatting 通过 Scale Reset (尺度重置) 和 Entropy Constraint (熵约束) 两种机制，强制 Gaussian 变得“短小精悍”，在不牺牲画质的前提下，将训练耗时从分钟级压低至秒级。

1. 痛点：被“拖累”的像素渲染

在 3DGS 的渲染管线中，每个像素的颜色是由一条采样射线穿过的 Gaussian 列表叠加而成的。

• 现状：为了保证画质，列表往往包含数百个 Gaussian，导致 Forward/Backward 过程中 GPU 内存带宽压力剧增。
• 局限：单纯减少 Gaussian 总数（Pruning）会导致细节丢失；优化 CUDA 内核虽然有效，但没能从算法逻辑上减少计算工作量。

作者的直觉（Insight）非常明确：如果每个 Gaussian 只影响它该影响的像素，而不“越界”到相邻区域，渲染列表自然会变短。

2. 核心机理：空间浓缩 (Spatial Concentration)

2.1 Scale Reset：强制局部化

作者提出定期对所有 Gaussian 的尺度 $s_i$ 乘以一个收缩因子 $\zeta$（实验取 0.2）。

• 逻辑含义：减小尺度会直接缩小 Gaussian 在 2D 投影面上的覆盖像素数。为了维持重建质量，模型会被迫提高这些 Gaussian 的 Opacity (不透明度)，从而用更小的体积承载更多的颜色信息。

2.2 Entropy Constraint：权重的两极分化

这是本文最具学术美感的贡献。作者在 Alpha Blending 的权重 $w_i$ 上施加熵正则化 $L_E$： $H_j=-\sum w_{i,j}\log w_{i,j}$

• 直觉理解：熵最小化会趋向于产生“One-hot”式的分布。它让主导像素颜色的 Gaussian 权重更大，而让那些打酱油的微小权重变得更小甚至趋近于零。
• 算法优势：作者巧妙证明了 $w_i$ 之和天然为 1（包含背景权重），因此计算熵时无需额外的归一化操作，极大地降低了求导复杂度（O(N)）。

图 1：左侧为原始 3DGS 分散的 Gaussian，右侧为经过本文优化后更聚焦、更紧凑的分布结构。

3. 实验战绩：亚分钟级的 SOTA

在单张 RTX 5090 D 上，本文展现了统治级的效率：

• 训练速度：在 Mip-NeRF 360 数据集上仅需 99.58 秒，而原始 3DGS 需要超过 15 分钟。相比于目前最强的 LiteGS 基线，速度提升了约 50%。
• 渲染性能：由于每个像素处理的 Gaussian 更少，推理 FPS 从 140 飙升至 343。

图 2：训练速度与画质的 Pareto 前沿，本文（Ours）明显处于左上方。

4. 深度洞察：为什么这种“缩减”不掉画质？

通常我们会认为减少参与计算的元素会损失精度，但本文证明了 Inductive Bias (归纳偏置) 的重要性：

1. 显式几何的紧凑性：3D 场景本质上由表面组成，真正有效的 Gaussian 应该是贴合表面的薄片。Scale Reset 恰好强化了这种偏置。
2. 避免过平滑：熵约束减少了 Gaussian 之间的非必要重叠，这在一定程度上缓解了浮动伪影（Floaters）的产生，使物体边缘更加锐利。

5. 局限性与展望

尽管加速明显，但该方法在极少数极端视角下可能会出现轻微的“Popping”现象（因为 Gaussian 过于紧凑，覆盖间隙变小）。此外，该方法高度依赖超参数 $\zeta$ 和 $\gamma$ 的调节。

未来价值：这项工作为移动端 AR/VR 设备的实时重建扫清了障碍。当训练能在 100 秒内完成时，原本静态的 3DGS 离真正的“即拍即得”又近了一大步。

编者注：该论文的代码已开源。对于追求极致性能的工业界开发者，ShorterSplatting 提供了一个即便不改动 CUDA 底层也能获得巨大收益的高阶策略。