Splaxel: Efficient Distributed Training of 3D Gaussian Splatting for Large-scale Scene Reconstruction via Pixel-level Communication

📄 arXiv: 2606.18588v1 📥 PDF

作者: Wenqi Jia, Zhewen Hu, Ying Huang, Yu Gong, Stavros Kalafatis, Yuke Wang, Wei Niu, Chengming Zhang, Ang Li, Sheng Di, Yuede Ji, Bo Fang, Miao Yin

分类: cs.DC, cs.CV

发布日期: 2026-06-17

备注: 17 pages, 25 figures

💡 一句话要点

提出Splaxel以解决大规模场景重建中的通信效率问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 3D场景重建 高斯分布 分布式训练 像素级通信 GPU优化 虚拟现实 自动驾驶

📋 核心要点

  1. 现有的分布式3DGS训练方法在处理大规模场景时存在全局不一致性和通信成本高的问题。
  2. Splaxel通过像素级局部渲染和全局合成，优化了GPU间的通信效率，避免了全局高斯交换。
  3. 在大规模数据集上，Splaxel实现了高达7.6倍的速度提升，同时保持了重建质量。

📝 摘要（中文）

3D Gaussian Splatting (3DGS)能够实现高保真和实时的3D场景重建，但在大规模场景的训练中，需要在多个GPU上优化数亿个高斯分布。现有的分布式方法要么将场景划分为孤立区域，导致全局不一致性，要么依赖全局高斯级别的交换，导致GPU间通信显著增加并迅速占据迭代时间。本文提出了Splaxel，一个基于像素级局部渲染和全局合成的高效分布式3DGS训练框架。Splaxel通过仅交换部分像素值来维护数学一致性，同时随着场景规模的增加保持通信成本稳定。经过在高达1.2亿个高斯分布的大规模数据集上的评估，Splaxel在保持高重建质量的同时，相较于现有的分布式3DGS框架实现了高达7.6倍的加速。

🔬 方法详解

问题定义：本文旨在解决大规模场景重建中3D Gaussian Splatting (3DGS)训练的通信效率问题。现有方法在场景划分和全局高斯交换中存在全局不一致性和通信开销过大的痛点。

核心思路：Splaxel的核心思路是通过像素级局部渲染来减少GPU间的通信量，而不是同步所有高斯分布。每个GPU仅渲染其本地子集并交换部分像素值，从而保持数学一致性并降低通信成本。

技术框架：Splaxel的整体架构包括局部渲染模块和全局合成模块。局部渲染模块负责每个GPU的高效渲染，而全局合成模块则负责将不同GPU的渲染结果进行合成。

关键创新：Splaxel的主要创新在于其像素级通信策略，显著降低了因全局高斯交换带来的通信开销，并通过几何和透射可见性预测减少了像素级冗余。

关键设计：在设计中，Splaxel采用了冲突-free的相机视图整合策略，以提高GPU的利用率，并在损失函数和网络结构上进行了优化，以适应大规模场景的训练需求。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，Splaxel在处理高达1.2亿个高斯分布的大规模数据集时，相较于现有的分布式3DGS框架实现了高达7.6倍的速度提升，同时保持了高重建质量，展示了其在实际应用中的优越性。

🎯 应用场景

该研究的潜在应用领域包括虚拟现实、游戏开发、城市建模和自动驾驶等。通过实现高效的3D场景重建，Splaxel能够为这些领域提供更高质量的视觉体验和更快的处理速度，推动相关技术的发展。

📄 摘要（原文）

3D Gaussian Splatting (3DGS) enables high-fidelity and real-time 3D scene reconstruction, but scaling training to large-scale scenes requires optimizing hundreds of millions of Gaussians across multiple GPUs. Existing distributed approaches either partition scenes into isolated regions, causing global inconsistency, or rely on global Gaussian-level exchanges, which lead to substantial growth in inter-GPU communication and quickly dominate iteration time. We propose Splaxel, a communication-efficient distributed 3DGS training framework based on pixel-level local rendering and global composition. Instead of synchronizing Gaussians, each GPU renders its local subset and exchanges only partial pixel values, maintaining mathematical consistency while keeping communication cost stable as the scene size increases. Splaxel further reduces pixel-level redundancy through geometric and transmittance visibility prediction and improves GPU utilization via conflict-free camera-view consolidation. Evaluated on large-scale datasets with up to 120M Gaussians, Splaxel achieves up to 7.6$\times$ speedup over the state-of-the-art distributed 3DGS framework while preserving high reconstruction quality.