公司技术成就 - 摩尔线程在SIGGRAPH Asia 2025的3DGS重建挑战赛中凭借自研技术LiteGS获得银奖[1] - 公司在决赛中平均PSNR为27.58，位列前三，重建耗时仅34秒，显著领先多数队伍[7] - 公司通过创新的算法设计、深度优化的自研硬件以及高效的软硬件协同，展现了在图形智能计算领域的综合能力[18] 3DGS技术概述 - 3D Gaussian Splatting是一项于2023年提出的革命性3D场景表示与渲染技术[3] - 与传统NeRF相比，该技术在保持逼真渲染质量的前提下，将渲染效率提升数百至上千倍[3] - 该技术以可参数化的3D高斯分布为核心，实现了画质、效率与资源占用之间的卓越平衡[3] 3DGS的应用潜力与行业地位 - 该技术在光线追踪、VR/AR实时渲染、多模态融合等方向展现出极强的适应性与扩展性[3] - 在具身智能等前沿领域，其高质量、低延迟的三维环境建模为构建准确的世界模型提供了可靠支撑[5] - 该技术正逐渐成为具身智能训练场景中的关键基础技术之一，并受到全球学术界与产业界的高度关注[5] 挑战赛详情 - 竞赛要求参赛团队在60秒内，基于提供的真实终端视频序列、存在误差的相机轨迹及终端SLAM点云，完成高质量的3DGS重建[6] - 主办方以PSNR与重建速度为综合评价指标，结果及数据集已向全球公开[6] - 根据官方排名，冠军团队3DV-CASIA的平均PSNR为28.43，亚军DeadlineDinosaur为28.04[8] LiteGS技术详解 - 摩尔线程自主研发并开源了3DGS基础库LiteGS，旨在解决3DGS训练过程耗时长的瓶颈[9] - 该库实现了从底层GPU系统、中层数据管理到高层算法设计的全链路协同优化[10] - 在GPU系统层面，创新提出基于"One Warp Per Tile"原则的"Warp-Based Raster"新范式，大幅降低梯度计算开销[11] - 在数据管理层，引入"聚类-剔除-压缩"流水线，显著提升数据局部性，减少缓存失效[11] - 在算法设计层，采用像素不透明度梯度方差作为致密化核心判据，精准识别欠拟合区域[11] LiteGS性能优势 - 在达到与当前质量最优方案同等水平时，LiteGS可获得高达10.8倍的训练加速，且参数量减少一半以上[15] - 在相同参数量下，LiteGS在PSNR指标上超出主流方案0.2–0.4 dB，训练时间缩短3.8至7倍[15] - 针对轻量化模型，LiteGS仅需原版3DGS约10%的训练时间与20%的参数量，即可实现同等质量[15] 公司战略与未来规划 - 此次获奖体现了公司准确把握全球技术发展趋势并引领未来图形计算技术方向的战略[18] - 公司将于2025年12月20日-21日的首届MUSA开发者大会设立技术专题，深入探讨3DGS等图形智能技术如何赋能具身智能等前沿领域[18]