文章核心观点 - 摩尔线程在SIGGRAPH Asia 2025的3DGS重建挑战赛中凭借自研的LiteGS技术获得银奖，证明了其在下一代图形渲染技术3D Gaussian Splatting领域的算法实力和软硬件协同优化能力 [1] - 3DGS是一项革命性的3D场景表示与渲染技术，相比传统NeRF，能在保持画质的同时将渲染效率提升数百至上千倍，并成为具身智能等前沿领域的关键基础技术 [4][7] - 摩尔线程通过开源其3DGS基础库LiteGS，展示了从底层GPU系统到高层算法的全栈优化能力，在训练效率和重建质量上树立了新的性能标杆，并计划在开发者大会上进一步探讨该技术如何赋能未来 [20][24][28] 3DGS技术概述与行业意义 - 3D Gaussian Splatting是2023年提出的革命性3D场景表示与渲染技术，以可参数化的3D高斯分布为核心，实现了画质、效率与资源占用的卓越平衡 [4] - 与传统NeRF相比，3DGS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 [4] - 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 [4] - 3DGS以其高保真、快速优化和轻量级结构，为具身智能构建准确的世界模型提供了可靠支撑，正逐渐成为该领域的关键基础技术之一 [7] - 3DGS已成为全球学术界与产业界竞相投入的研究方向，受到SIGGRAPH Asia等权威机构的高度关注 [8] SIGGRAPH Asia 2025 3DGS挑战赛详情 - 挑战赛要求参赛团队在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 [10] - 比赛以PSNR（重建质量）与重建速度为综合评价指标 [12] - 比赛结果及数据集已向全球公开 [14] 摩尔线程参赛表现与技术成果 - 摩尔线程AI团队以“MT-AI”参赛，在重建精度与效率上取得均衡表现，最终获得二等奖（银牌） [17] - 根据成绩表，摩尔线程（MT-Al）的平均PSNR为27.58，重建耗时为34秒 [18] - 公司自主研发了3DGS基础库LiteGS，首次实现了从底层GPU系统、中层数据管理到高层算法设计的全链路协同优化 [21] - 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 [22] - 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 [22] - 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 [22] - 通过协同优化，LiteGS在达到与当前质量最优方案同等水平时，可获得高达10.8倍的训练加速，且参数量减少一半以上 [25] - 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 [31] - 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 [31] 开源与未来展望 - 摩尔线程已将LiteGS在GitHub平台全面开源，以推动三维重建与渲染技术的开放协作与持续演进 [27] - 公司此次获奖被视作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体现 [28] - 摩尔线程计划于2025年12月20日-21日在首届MUSA开发者大会上设立技术专题，深入探讨3DGS等图形智能技术如何塑造未来，赋能具身智能等前沿领域 [28]