在 3D Gaussian Splatting 的渲染架构中，为了提升渲染效率，我们通常不会选择在像素级别进行并行化，而是选择在 Tile 之间进行并行化。

要实现这一点，我们需要确保数据在进入渲染管线之前，满足一个非常严格的顺序要求。

目前，我们手中的数据（高斯 ID、扁平化 Tile ID 等）是按照“高斯顺序”排列，甚至可以说是完全随机的。但为了让 GPU 能够一个 Tile 接一个 Tile 地高效渲染，我们需要达成以下两个目标：

1. 宏观顺序：按 Tile ID 从小到大排列（例如：第0块、第1块、第2块……）。

2. 微观顺序：在同一个 Tile 内部，关联的高斯必须严格按照深度（Depth）进行排序。

这种多条件的排序被称为字典序排序。现在我们有两个排序键（Keys）：

• 键 A：Tile ID（第一优先级）
• 键 B：高斯的深度值（第二优先级）

比较规则很简单：对于两组数据 (A, B) 和 (A', B')，满足 (A, B) \le (A', B') 的条件是：

A < A'，或者当 A = A'（即在同一块 Tile 内）时，满足 B \le B'。

代码实现

原生的 PyTorch 并没有直接提供针对多个数组的无缝字典序排序函数（例如 NumPy 中的 lexsort）。如果我们直接写循环，效率会极低。

为了解决这个问题，我们采用了一种非常经典的“位图压缩/数值合成”技巧：将两个排序变量合并为一个单一的数字，然后对这个单一数字进行标准排序。

我们将 Tile ID 和深度索引合成一个新的变量 comp。

合成公式为：comp = flat\_tile\_id \times M + z\_order

这里最关键的变量是 M。为了确保 z_order 的相加绝不会“进位”影响到 flat_tile_id，乘数 M 必须严格大于 z_order 的最大可能值。

现在，我们只需要对这个合成后的 1D 数组进行一次普通的排序即可，PyTorch 将同时返回排序后的值以及对应的索引排列（permutation）。

排序完成后，我们不再关心 comp 本身，而是利用它的产物把我们需要的数据提取出来。

直接使用排序产生的排列（permutation）对原始高斯 ID 数组重新索引。

对排好序的合成值进行向下取整除法（除以 M），剥离掉深度索引的零头，原汁原味的 Tile ID 就回来了。