稠密化与剪枝

2026-7-1

[已归档]3DGS

截止提交 Commit 7302fa0，我们稍微停下脚步，让模型训练 600 次迭代。我们画出训练损失（Training Loss）和峰值信噪比（PSNR）的曲线，会发现它们都在稳步向好——损失是下降趋势，图像质量是上升趋势。

我们再提取一张预测图像，会发现仅仅 600 步，完整的图像分辨率就已经呈现，虽然还有一些区域需要微调，但整体效果已经比之前好多了。

但这还不够。为了让高斯点云完美贴合复杂的 3D 场景，我们需要引入这篇论文的核心操作：稠密化（Densification）与剪枝（Pruning）。

稠密化

稠密化并不是从头到尾都在进行的。论文中明确指出，在最初的预热阶段（Warm-up stage）结束后，模型才会开始考虑增加或修改高斯点的数量。

具体的规则是：在迭代 500 次之后，每隔 100 次迭代进行一次密实化。

  1. # 自适应密度控制与剪枝 (Densification & Pruning)
  2. # 起始步：500 步，结束步：3000 步，每 100 步触发一次
  3. if iteration > 500 and iteration <= 3000 and iteration % 100 == 0:

稠密化的目的是解决“重建过度”或“重建不足”的问题。作者通过经验发现，那些“问题高斯”通常具有一个共同点：较大的视空间位置梯度（View-space positional gradient）。

论文中给出了一个硬性阈值：2 \times 10^{-4}。当高斯的平均位置梯度幅度超过这个阈值时，它就被我们“盯上”了。

  1. tau_pos = 0.0002          # 触发分裂/克隆的位置梯度阈值 (2e-4)

被我们“盯上”的高斯点，到底该怎么处理呢？这取决于它的体型（Scale）。

  • 克隆（Clone）针对的是那些体积小但位置梯度高的高斯点（通常意味着这里重建不足，需要多来几个小高斯帮忙）。
  • 分裂（Split）针对的是那些体积大且位置梯度高的高斯点（通常意味着这个大高斯覆盖了太多细节，需要被拆分成更细粒度的小高斯）。

那么，如何计算高斯的“体型”呢？我们需要提取尺度参数的指数，并在 3D 维度中找到最大的那个轴。

  1. # 2. 计算高斯缩放
  2. scales = torch.exp(scale_raw)  # scale_raw shape: (N, 3)
  3. max_scales = torch.max(scales, dim=1).values
  4. is_big = max_scales > tau_scale
  5. is_small = ~is_big
  6.  
  7. mask_clone = is_high_grad & is_small
  8. mask_split = is_high_grad & is_big

有了掩码，我们就可以调用克隆和分裂处理函数了：

  1. # 3. 执行克隆
  2. if mask_clone.any():
  3.     opt_params, optimizer = clone_gaussians(mask_clone, opt_params, optimizer)
  4.  
  5. # 4. 执行分裂
  6. if mask_split.any():
  7.     opt_params, optimizer = split_gaussians(mask_split, opt_params, optimizer)

剪枝

为了防止高斯点无限膨胀导致显存爆炸和渲染变慢，我们需要定期清理那些“没用”的高斯。

什么叫没用？就是不透明度（Opacity/Alpha）太低的高斯点，它们对最终的画面几乎没有贡献。

在这里，我们追求画质，选择阈值为 0.005。

  1. epsilon_alpha = 0.005      # 剪枝时的低透明度截断阈值
  1. # 5. 执行剪枝（剔除透明高斯点）
  2. # 重新读取当前最新的 alpha_raw 形状
  3. alpha_raw_latest = opt_params["alpha_raw"]
  4. mask_prune = torch.sigmoid(alpha_raw_latest) < epsilon_alpha
  5.  
  6. # 为了防止剪掉所有的高斯，至少保留一个
  7. if mask_prune.all():
  8.     mask_prune[0] = False
  9.  
  10. if mask_prune.any():
  11.     opt_params, optimizer = prune_gaussians(mask_prune, opt_params, optimizer)