摩爾線程贏圖形頂會3DGS挑戰賽大獎，自研LiteGS全面開源

機器之心發布

12 月 17 日，在香港舉辦的全球圖形學領域備受矚目的頂級學術盛會 SIGGRAPH Asia 2025 上，摩爾線程在 3D Gaussian Splatting Reconstruction Challenge（3DGS 重建挑戰賽）中憑借自研技術LiteGS出色的算法實力和軟硬件協同優化能力，斬獲大賽銀獎，再次證明摩爾線程在新一代圖形渲染技術上的深度積累與學術界的高度認可。

3DGS：下一代圖形渲染的范式革命

開啟 AI 加速的高效渲染時代

3D Gaussian Splatting（3DGS，三維高斯濺射）是 2023 年提出的一項革命性 3D 場景表示與渲染技術，以可參數化的 3D 高斯分布為核心，實現了畫質、效率與資源占用之間的卓越平衡。與傳統 NeRF 相比，3DGS 在保持逼真渲染質量的前提下，將渲染效率提升數百至上千倍，并在光線追蹤、VR/AR 實時渲染、多模態融合等方向展現出極強的適應性與擴展性。

（* 上圖僅作示意）

作為近年來快速發展的神經渲染技術，3DGS 不僅在三維重建與實時渲染等方向展現出卓越優勢，也在更廣泛的 AI 場景中具備潛在的基礎價值。尤其是在具身智能（Embodied AI）等需要智能體理解并與真實環境交互的前沿領域，高質量、低延遲的三維環境建模至關重要。3DGS 以其高保真場景顯示、快速優化能力和輕量級結構，為構建準確的世界模型提供了可靠支撐，有助于提升路徑規劃、環境感知和復雜操作任務的能力。隨著 AI 技術向 “理解并操作真實世界” 方向不斷延展，3DGS 正逐漸成為具身智能訓練場景中的關鍵基礎技術之一。

正因其對未來圖形學技術路線的關鍵意義，3DGS 已成為全球學術界與產業界競相投入的研究方向，受到 SIGGRAPH Asia 等權威機構的高度關注。

極致挑戰：60 秒高質量重建

推動 3DGS 技術走向實用化臨界點

本次競賽為參賽團隊設置了極具挑戰性的任務：參賽者需在 60 秒內，基于主辦方提供的真實終端視頻序列（10–30 秒）、存在誤差的相機軌跡以及終端 SLAM 點云，在極短時間內完成完整的 3DGS 高質量重建。

主辦方以 PSNR（重建質量）與重建速度為綜合評價指標，力求在完全公開、公正的條件下得出權威排名。

目前 3D Gaussian Splatting Reconstruction Challenge（3DGS 重建挑戰賽）的結果及數據集已向全球公開，相關資料可在 SIGGRAPH Asia 官方網站獲取。

地址：https://gaplab.cuhk.edu.cn/projects/gsRaceSIGA2025/

摩爾線程的技術答卷

以全棧能力實現精度與速度的極致平衡

摩爾線程 AI 團隊以參賽編號 “MT-AI” 進入決賽階段，在重建精度與效率兩項指標上取得均衡且亮眼的表現：

1. 平均 PSNR：（位列前三）
2. 重建耗時：34 秒（顯著領先多數隊伍）

憑借行業領先的 3DGS 算法構建能力與軟硬件協同優化優勢，摩爾線程最終獲得二等獎（銀牌）的優秀成績。

開放協作

摩爾線程開源 3DGS 基礎庫 LiteGS

作為一種新興的場景表示與新視角合成技術，3DGS 憑借高渲染質量與實時渲染速度，在計算機圖形學與視覺領域實現了顯著突破。該技術通過數以百萬計的各向異性三維高斯基元來表示三維場景，以實現逼真的渲染效果，并在自動駕駛、虛擬現實、數字孿生等領域展現出巨大潛力。然而，盡管 3DGS 的渲染速度極快，其訓練過程卻往往需要數十分鐘甚至數小時，成為制約其廣泛應用的主要瓶頸。現有優化方案往往僅從單一層面入手，難以系統性地解決訓練過程中的性能制約。

為此，摩爾線程自主研發了 3DGS 基礎庫LiteGS，首次實現了從底層 GPU 系統、中層數據管理到高層算法設計的全鏈路協同優化：

1. GPU 系統層面，摩爾線程創新提出基于 “One Warp Per Tile” 原則的 “Warp-Based Raster” 新范式，將梯度聚合簡化為一次 Warp 內歸約，并結合掃描線算法與混合精度策略，大幅降低梯度計算開銷，同時實現高效的像素級統計能力；
2. 數據管理層，引入 “聚類-剔除-壓縮” 流水線，借助 Morton 編碼以極低開銷對高斯基元進行動態空間重排，顯著提升數據局部性，減少緩存失效與 Warp 分支；
3. 算法設計層，摒棄原有模糊的度量指標，采用更為魯棒的像素不透明度梯度方差作為致密化的核心判據，精準識別欠擬合區域，其輕量化計算直接受益于底層光柵化器的高效統計支持。

通過系統與算法的協同優化，LiteGS 在訓練效率與重建質量上均實現顯著領先，樹立了該領域新的性能標桿。

1. 在達到與當前質量最優方案同等水平時，LiteGS 可獲得高達 10.8 倍的訓練加速，且參數量減少一半以上。
2. 在相同參數量下，LiteGS 在 PSNR 指標上超出主流方案 0.2–0.4 dB，訓練時間縮短 3.8 至 7 倍。
3. 針對輕量化模型，LiteGS 僅需原版 3DGS 約 10% 的訓練時間與 20% 的參數量，即可實現同等質量，展現出卓越的工程實用性與技術前瞻性。

目前，LiteGS 已在 GitHub 平臺全面開源，以推動三維重建與渲染技術的開放協作與持續演進。

開源地址：https://github.com/MooreThreads/LiteGS

摩爾線程此次在國際圖形學頂會賽事上的獲獎，不止是一次競賽勝利，更是準確把握全球技術發展趨勢并引領未來圖形計算技術方向的戰略體現。作為圖形學領域未來發展的重要方向，3DGS 技術對算法與硬件協同提出了極高要求。摩爾線程通過創新的算法設計、深度優化的自研硬件以及高效的軟硬件協同，在本次賽事中展現了卓越的綜合能力。這一成就，印證了摩爾線程在圖形智能計算領域技術路徑的前瞻性與工程可行性，并體現了公司將前沿研究快速轉化為實踐成果的強大執行力。

2025 年 12 月 20 日 - 21 日，摩爾線程將于首屆 MUSA 開發者大會設立技術專題，深入探討 3DGS 等圖形智能技術如何塑造未來，賦能具身智能等前沿領域，誠邀您共同關注與探討。