自 2023 年《3D Gaussian Splatting for Real-Time Rendering of Radiance Fields》横空出世以来，3DGS（3D Gaussian Splatting）迅速成为三维重建与新视角合成领域最受关注的技术路线之一。相比传统 NeRF，3DGS 在渲染速度和视觉质量上取得了突破性进展，使实时高保真三维场景重建成为可能。然而，随着研究和产业应用的快速增长，一个新的问题逐渐浮现：原始实现对显存和计算资源要求较高，训练效率和工程可扩展性有限，研究者往往需要投入大量时间进行底层优化，才能将其应用于更复杂的场景和任务。
近日，由加州大学伯克利分校（UC Berkeley）、NVIDIA、上海科技大学、Amazon、Meta 等机构联合开发的开源项目 gsplat，为这一问题提供了新的解决方案。作为一个专门面向 Gaussian Splatting 方法训练与开发的基础库，gsplat 在保留原始 3DGS 渲染质量的同时，对底层训练框架进行了系统性重构和优化，成为当前 Gaussian Splatting 生态中最重要的基础设施之一。
从架构设计来看，gsplat 采用前后端分离方案：前端提供与 PyTorch 深度集成的 Python 接口，方便研究人员快速开发和实验；后端则基于高度优化的 CUDA Kernel，实现高性能可微分光栅化计算。官方实验结果显示，相比原始实现，gsplat 最多可节省 4 倍 GPU 显存，并将训练时间缩短约 10%~15%，显著降低了大规模场景训练的资源门槛。
除了性能提升外，gsplat 还引入了自适应高斯密度控制机制，可在训练过程中自动增删高斯点，实现更加高效的场景表达；同时支持 COLMAP、SfM 点云以及 LiDAR 点云等多种数据来源，并内置实时 Web Viewer，方便用户直接在浏览器中查看和交互三维场景。
目前，HyperAI（hyper.ai）的教程版块已上线「Gsplat 3D 高斯泼溅训练与可视化」，降低部署门槛，助力快速验证模型 ⬇️
在线运行：Training and Visualization of Gsplat 3D Gaussian Splatting | Notebooks | HyperAI
Demo 示例
更多在线教程：
Demo 运行
1.进入 hyper.ai 首页后，选择「教程」页面，或点击「查看更多教程」，选择「Gsplat 3D 高斯泼溅训练与可视化」，点击「运行此教程」。
2.页面跳转后，点击右上角「Clone」，将该教程克隆至自己的容器中。
注：页面右上角支持切换语言，目前提供中文及英文两种语言，本教程文章以英文为例进行步骤展示。
3.选择「NVIDIA RTX 5090」以及「PyTorch」镜像，点击「Continue job execution（继续执行）」。
4.等待分配资源，当状态变为「Running（运行中）」后，点击「Open Workspace」进入 Jupyter Workspace。
效果展示
1.页面跳转后，点击左侧 README 文件，进入后点击上方 Run（运行）。
2.待运行完毕后，点击右侧 API 地址即可打开 Demo 界面。
扫一扫
263
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
