新国立发布！大规模 3D 重建的分布式高斯泼溅

3D 高斯分布 (3DGS) 的最新进展在新颖的视图合成 (NVS) 任务上显示出了不错的结果。凭借其卓越的渲染性能和高保真渲染质量，3DGS 优于之前的 NeRF 同类产品。最新的3DGS方法要么侧重于改善渲染效率的不稳定性，要么侧重于减小模型尺寸。另一方面，3DGS在大规模场景上的训练效率并没有得到太多关注。在这项工作中，我们提出了 DoGaussian，一种分布式训练 3DGS 的方法。 我们的方法首先将场景分解为 K 个块，然后将乘子交替方向法 (ADMM) 引入 3DGS 的训练过程中。在训练过程中，我们的 DoGaussian 在主节点上维护一个全局 3DGS 模型，在从节点上维护 K 个本地 3DGS 模型。 K 个局部 3DGS 模型在训练后被丢弃，我们只在推理过程中查询全局 3DGS 模型。通过场景分解减少训练时间，通过共享3D高斯的共识保证训练收敛性和稳定性。