问题在于，基于显示高斯单元的表示方式，尽管可以高效溅射和光栅化，其密集化和优化过程却往往会生成冗余的高斯点，导致单个重建场景 可能包含数百万个高斯点。 这不仅 降低了训练和渲染速度（本可能更快），还导致显著的内存消耗 。 现在，来自上海AI Lab的研究团队提出 MaskGaussian ， 将掩码融合进光栅化过程，首次为被使用和未被使用的高斯同时保留梯度，在剪 枝高斯的同时，MaskGaussian极大限度地保持了重建质量，提高了训练速度和减小内存需求 。 MaskGaussian团队 投稿 量子位 | 公众号 QbitAI 三维高斯泼溅（3D Gaussian Splatting）使得实时高质量渲染成为可能，是当前3D视觉领域最常用的算法之一。 △ 与3DGS相比，MaskGaussian在不影响重建质量的情况下减少高斯点数 对冗余高斯点进行剪枝，目前主要有两种方法： 第一类方法基于手工设计的重要性评分，移除评分低于预设阈值的高斯点。这类方法通常需要扫描所有训练图像以计算重要性评分， 因此剪枝只能在训练期间执行一次或两次。 第二类方法使用可学习的掩码，将其与高斯点的属性相乘以接受梯度。尽管这种方法允许通过 ...