Laplacian Frequency Hierarchies for Efficient 3D Gaussian Splatting Training
作者: Yixiong Yang, Sisheng Zhang, Qingsong Yan, Shaohuai Shi, Qiang Wang
分类: cs.CV
发布日期: 2026-09-03
备注: Accepted to Pacific Graphics 2026 (conference track). Project page: https://sorenzhang574.github.io/Laplacian-GS/
💡 一句话要点
提出拉普拉斯频率层次以解决3D高斯点云训练效率问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 3D高斯点云 拉普拉斯频率层次 训练效率 优化算法 计算机视觉 虚拟现实 高分辨率渲染
📋 核心要点
- 现有的3D高斯点云训练方法面临高斯原语数量不断增长的问题，导致优化成本增加和收敛速度减慢。
- 本文提出的拉普拉斯频率层次方案，通过低频结构的拟合和高频残差的优化，显著降低了训练期间的高斯数量。
- 实验结果显示，在Taming-3DGS和FastGS上，1K设置下平均加速比为1.73x和1.21x，4K设置下为1.74x和1.33x，尤其在复杂场景和高分辨率下效果更为显著。
📝 摘要（中文）
在3D高斯点云训练中，随着高斯原语数量的不断增加，优化成本和收敛速度受到严重影响，尤其是在高分辨率下。本文提出了一种简单而高效的3D高斯点云训练方案——拉普拉斯频率层次，该方案结合了拉普拉斯图像分解与粗到细的频率分阶段训练。通过先拟合低频结构，保存相应的高斯场，后续可以在不承载完整原语负担的情况下优化高频残差，并在推理时通过拉普拉斯风格重建合成图像域中的渲染组件。这一设计减少了训练期间的活跃高斯数量，从而降低了优化开销并加速了训练。该方案可与现有的3D高斯点云加速方法直接结合，提升训练速度并保持竞争性的重建质量。
🔬 方法详解
问题定义：本文旨在解决3D高斯点云训练中高斯原语数量不断增加所带来的优化成本和收敛速度问题，尤其是在高分辨率场景下的挑战。
核心思路：通过拉普拉斯频率层次的设计，先拟合低频结构并保存高斯场，使得后续优化高频残差时无需承载完整原语负担，从而降低训练开销。
技术框架：整体流程包括低频结构的拟合、相应高斯场的存储以及高频残差的优化，最后在推理阶段通过拉普拉斯风格重建合成图像。
关键创新：该方案的创新点在于结合了拉普拉斯图像分解与频率分阶段训练，显著减少了训练期间的活跃高斯数量，提升了训练效率。
关键设计：在参数设置上，采用了频率分阶段的训练策略，损失函数设计上注重高频残差的优化，网络结构则与现有的3DGS加速方法兼容，确保了良好的重建质量。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的方案在Taming-3DGS和FastGS上分别实现了1.73x和1.21x的加速，在4K设置下更是达到了1.74x和1.33x的提升，尤其在复杂场景中表现出更显著的优势，验证了其有效性和优越性。
🎯 应用场景
该研究在3D图形生成、计算机视觉和虚拟现实等领域具有广泛的应用潜力。通过提高3D高斯点云训练的效率，可以加速相关技术的开发与应用，推动高质量3D内容的生成与实时渲染，具有重要的实际价值和未来影响。
📄 摘要（原文）
A key bottleneck in 3D Gaussian Splatting training is the continual growth of Gaussian primitives, which increases optimization cost and slows convergence, especially at high resolutions. We propose Laplacian Frequency Hierarchies, a simple yet efficient 3DGS scheme that combines Laplacian image decomposition with coarse-to-fine, frequency-staged training. After fitting lower-frequency structure, we archive the corresponding Gaussian field so that subsequent fields can optimize higher-frequency residuals without carrying the full primitive burden, and we compose the rendered components in the image domain via a Laplacian-style reconstruction at inference time. This design reduces the number of active Gaussians during training, thereby lowering optimization overhead and accelerating training. The proposed scheme is plug-and-play and orthogonal to prior 3DGS accelerations: it can be directly combined with strong backbones such as Taming-3DGS and FastGS to improve training speed with competitive reconstruction quality. It achieves average speedups of 1.73x and 1.21x at 1K setting, and 1.74x and 1.33x at 4K setting on Taming-3DGS and FastGS, with larger gains on more challenging scenes and increasingly pronounced benefits at higher resolutions.