[CVPR 2026 预研] ImprovedGS+：原生 CUDA 重构，定义 3D 高斯泼溅性能新基准

TL;DR

在 3D 场景重建领域，如何兼顾“极致速度”与“电影级画质”始终是核心矛盾。本文提出的 ImprovedGS+ 通过彻底抛弃高层级的 Python 加密逻辑，采用全原生 C++/CUDA 架构，不仅将训练耗时缩短了 26.8%，更在减少 13.3% 参数量的前提下，实现了超越 SOTA 的重建精度。

背景定位

ImprovedGS+ 是对 ImprovedGS 和 TamingGS 策略的底层重构。它不再仅仅是一个算法改进版本，而是一次算力潜能的深挖。通过将其整合进 LichtFeld-Studio 生态，该研究直接向工业级实时渲染和大规模场景建模迈进。

痛点深挖：消失在 Python 中的性能

虽然 3DGS 的渲染速度极快，但其训练过程中的 Densification（加密） 环节往往是性能瓶颈。

1. 同步开销：PyTorch 的函数调用涉及频繁的 CPU 与 GPU 通信。
2. 冗余表示：传统的克隆（Cloning）策略容易在平面产生重复的高斯点（Stipple Noise）。
3. 精度与效率的博弈：目前的算法很难在保持低参数量的同时，捕捉到高频边缘细节。

核心方法论：底层架构的“手术刀级”优化

1. 原生 CUDA 长轴分裂 (LAS)

作者开发了一个专门的 CUDA Kernel 替代了 PyTorch 组合操作。在分裂高斯点时，不再进行全量矩阵运算，而是利用旋转矩阵的属性，直接提取主轴列进行线性缩放。

• 计算简化：将 9 次乘法和 6 次加法简化为仅 3 次乘法。
• 数值一致性：直接在对数空间操作物理参数，保证了数值稳定性。

（Algorithm 1 展示了如何在 In-place 条件下直接更新高斯属性）

2. 拉普拉斯边缘掩码与 NMS

为了防止“加密漂移”（Densification Drift），ImprovedGS+ 引入了类似 Canny 算子的精细滤波器。通过 Non-Maximum Suppression (NMS)，算法能精准定位几何流形（Geometric Manifold），确保高斯点只被放置在真正的结构边界上。

• 这种方法消除了背景中的噪点，使高斯点的分布更加具有“几何显著性”。

3. 指数缩放调度器（Exponential Scale Scheduler）

作者发现，固定的学习率无法处理从“占据空间”到“精细刻画”的转变。

• 第一阶段：通过 4 倍初始学习率进行高动量扩张。
• 第二阶段：使用指数衰减锁定细节，防止在高频区域产生振荡。

实验战绩：Pareto 曲线的全面超越

在 Mip-NeRF360 的多个严苛场景下，ImprovedGS+ 展现了统治级的表现。下表揭示了在 1M 预算限制下，ImprovedGS+ 是如何在牺牲更少资源的情况下反杀基线的。

（表 3 显示：在相同硬件环境下，ImprovedGS+ 比 MCMC 快了 17 分钟，PSNR 反而更高）

消融实验揭示：

• 位置学习率（Position LR） 的优化对于捕捉复杂室外场景（如 Garden）至关重要。
• Scale Scheduler 的加入直接为室内场景贡献了约 0.42 dB 的 PSNR 增益。

深度洞察与总结

ImprovedGS+ 的成功再次证明了：在深度学习进入下半场时，底层优化与数学直觉的结合比单纯的参数堆砌更有效。它通过精确的算子融合和基于物理意义的启发式策略（如 LAS），让 1.6M 个高斯点发挥出了 3M 个点才有的精细度。

局限性：尽管性能卓越，但在处理极大规模的无界场景时，VRAM 的带宽消耗仍有进一步优化的空间。作者提出的 Kernel Fusion（核融合） 可能是未来的关键突破点。

启示：未来的 3D 生成或重建工作，应该更多地关注如何让算子“理解”几何，而不是依赖框架层面的自动微分黑盒。