ACD-GS: Asymmetric Curvature-aware Densification for 3D Gaussian Splatting

📄 arXiv: 2610.39399v1 📥 PDF

作者: Houqiang Zhong, Tianchi Zhu, Qiang Hu, Xiaoyun Zhang, Li Song, Wenjun Zhang

分类: cs.CV

发布日期: 2026-10-29

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出ACD-GS以解决3D Gaussian Splatting训练中的冗余问题

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

关键词: 3D高斯生成 光度一致性 几何重建 深度响应 实时渲染 计算机图形学 虚拟现实

📋 核心要点

  1. 现有的3D Gaussian Splatting方法在训练过程中存在冗余高斯生成和几何重建不准确的问题。
  2. ACD-GS通过利用二阶深度响应作为结构先验，实现了对高斯克隆和分裂的非对称调节，增强了几何不连续性的捕捉能力。
  3. 实验结果表明，ACD-GS在减少近60%高斯数量的同时，保持了渲染质量，超越了多个基线方法。

📝 摘要（中文）

3D Gaussian Splatting（3DGS）已成为实时光线合成的强大范式。然而，其训练时间的稠密化过程仍然主要依赖启发式方法，常导致冗余的高斯生成和不准确的几何重建。现有方法主要依赖一阶屏幕空间梯度来触发克隆和分裂，无法有效区分真实的几何不连续性与高频纹理或噪声残差。为了解决这一局限性，我们提出了ACD-GS，一个非对称曲率感知的稠密化框架，旨在实现紧凑且具有几何感知的3D高斯优化。我们的关键见解是，二阶深度响应提供了更可靠的结构先验，从而实现对克隆和分裂的非对称调节，更好地捕捉几何不连续性。通过引入多视角光度一致性约束，我们抑制了瞬态单视图误差，并结合容量感知的自适应调节策略，在训练过程中平衡稠密化和修剪。与后处理压缩或基于量化的方法不同，ACD-GS在训练期间直接防止冗余高斯生成，从而产生内在紧凑的表示。大量实验表明，我们的方法减少了近60%的高斯数量和存储，同时保持了竞争性的渲染保真度，在多个数据集上始终优于现有方法。

🔬 方法详解

问题定义：本论文旨在解决3D Gaussian Splatting训练过程中冗余高斯生成和几何重建不准确的问题。现有方法主要依赖一阶梯度，无法有效区分真实几何特征与噪声或纹理。

核心思路：我们提出的ACD-GS框架利用二阶深度响应作为结构先验，能够更准确地控制高斯的密度，从而实现非对称的克隆和分裂，提升几何特征的捕捉能力。

技术框架：ACD-GS的整体架构包括多个模块：首先，通过二阶深度响应进行密度控制；其次，应用多视角光度一致性约束以减少单视图误差；最后，采用容量感知的自适应调节策略来平衡稠密化与修剪。

关键创新：ACD-GS的核心创新在于引入二阶深度响应作为密度控制的先验信息，与传统方法相比，能够更有效地捕捉几何不连续性，避免冗余高斯生成。

关键设计：在设计中，我们设置了特定的损失函数来优化光度一致性，并通过自适应调节策略动态调整高斯的生成与修剪，确保训练过程中的高效性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，ACD-GS在多个数据集上减少了近60%的高斯数量和存储需求，同时保持了与现有方法相当的渲染保真度，展现了其在效率和效果上的显著提升。

🎯 应用场景

该研究的潜在应用领域包括虚拟现实、增强现实以及计算机图形学中的实时渲染等。通过提高3D场景的渲染效率和质量，ACD-GS可以为多种应用提供更好的用户体验，推动相关技术的发展与应用。

📄 摘要（原文）

3D Gaussian Splatting (3DGS) has emerged as a powerful paradigm for real-time photorealistic novel view synthesis. However, its training-time densification remains largely heuristic, often resulting in redundant Gaussian proliferation and inaccurate geometric reconstruction. Existing methods predominantly rely on first-order screen-space gradients to trigger cloning and splitting, which fail to distinguish true geometric discontinuities from high-frequency textures or noisy residuals. To address this limitation, we propose ACD-GS, an Asymmetric Curvature-aware Densification framework for compact and geometry-aware 3D Gaussian optimization. Our key insight is that second-order depth responses provide a more reliable structural prior for density control, enabling asymmetric regulation of cloning and splitting to better capture geometric discontinuities. Building on this, we introduce a multi-view photometric consistency constraint to suppress transient single-view errors, together with a capacity-aware adaptive regulation strategy that balances densification and pruning during training. Unlike post-hoc compression or quantization-based approaches, ACD-GS directly prevents redundant Gaussian generation during training, yielding inherently compact representations. Extensive experiments demonstrate that our method reduces nearly 60% of Gaussian count and storage while maintaining competitive rendering fidelity, consistently outperforming existing methods across multiple datasets. Our code is available in https://waveviewer.github.io/ACD-GS/.