12月17日消息，線程在香港舉辦的拿下全球圖形學(xué)領(lǐng)域的頂級(jí)學(xué)術(shù)盛會(huì) SIGGRAPH Asia 2025上，摩爾線程在3DGS重建挑戰(zhàn)賽中，頂級(jí)憑借自研技術(shù)LiteGS出色的圖形S挑算法實(shí)力和軟硬件協(xié)同優(yōu)化能力，斬獲大賽銀獎(jiǎng)。戰(zhàn)賽自研

這再次證明了摩爾線程在新一代圖形渲染技術(shù)上的銀獎(jiǎng)深度積累，以及學(xué)術(shù)界的技術(shù)高度認(rèn)可。

這也詮釋了摩爾線程“全功能GPU”的全面真正價(jià)值，正是開(kāi)源摩爾線程在一眾國(guó)產(chǎn)GPU中的獨(dú)特價(jià)值。

3DGS也就是線程3D Gaussian Splatting（三維高斯濺射），是拿下2023年提出的一項(xiàng)革命性3D場(chǎng)景表示與神經(jīng)網(wǎng)絡(luò)渲染技術(shù)。

它以可參數(shù)化的頂級(jí)3D高斯分布為核心，實(shí)現(xiàn)了畫(huà)質(zhì)、圖形S挑效率與資源占用之間的戰(zhàn)賽自研卓越平衡。

與傳統(tǒng)NeRF方案相比，銀獎(jiǎng)3DGS不但保持了同樣逼真的渲染質(zhì)量，還可將渲染效率提升數(shù)百至上千倍，并在光線追蹤、VR/AR 實(shí)時(shí)渲染、多模態(tài)融合等方向上展現(xiàn)出極強(qiáng)的適應(yīng)性與擴(kuò)展性。

3DGS不僅適合三維重建、實(shí)時(shí)渲染等，在更廣泛的AI場(chǎng)景中也有極高的潛在價(jià)值，尤其是在具身智能（Embodied AI）等需要智能體理解、與真實(shí)環(huán)境交互的前沿領(lǐng)域，高質(zhì)量、低延遲的三維環(huán)境建模至關(guān)重要。

正因?yàn)閷?duì)圖形學(xué)未來(lái)技術(shù)發(fā)展的關(guān)鍵意義，3DGS已成為全球?qū)W術(shù)界與產(chǎn)業(yè)界競(jìng)相投入的研究方向，受到SIGGRAPH Asia等權(quán)威機(jī)構(gòu)的高度關(guān)注。

本次競(jìng)賽，大會(huì)為參賽團(tuán)隊(duì)設(shè)置了極具挑戰(zhàn)性的任務(wù)：

參賽者需要在60秒內(nèi)，基于主辦方提供的真實(shí)終端視頻序列（10–30秒）、存在誤差的相機(jī)軌跡以及終端 SLAM 點(diǎn)云，快速完成完整的3DGS 高質(zhì)量重建。

主辦方以 PSNR（重建質(zhì)量）與重建速度為綜合評(píng)價(jià)指標(biāo)，力求在完全公開(kāi)、公正的條件下得出權(quán)威排名。

進(jìn)入決賽階段后，摩爾線程AI團(tuán)隊(duì)(MT-AI)在重建精度、效率兩項(xiàng)指標(biāo)上取得了非常亮眼的表現(xiàn)：

平均 PSNR(峰值信噪比)僅為27.58，位列前三；重建耗時(shí)僅為34秒，顯著領(lǐng)先多數(shù)隊(duì)伍。

最終，摩爾線程獲得了二等獎(jiǎng)（銀牌）的優(yōu)秀成績(jī)。

目前， 3DGS重建挑戰(zhàn)賽的結(jié)果、數(shù)據(jù)集已向全球公開(kāi)，相關(guān)資料可在 SIGGRAPH Asia 官方網(wǎng)站獲?。?/p>

https://gaplab.cuhk.edu.cn/projects/gsRaceSIGA2025/

針對(duì)3DGS訓(xùn)練過(guò)程需要數(shù)十分鐘甚至數(shù)小時(shí)的瓶頸問(wèn)題，摩爾線程自主研發(fā)了3DGS基礎(chǔ)庫(kù)LiteGS，首次實(shí)現(xiàn)了從底層GPU系統(tǒng)、中層數(shù)據(jù)管理到高層算法設(shè)計(jì)的全鏈路協(xié)同優(yōu)化：

在GPU系統(tǒng)層面，摩爾線程創(chuàng)新提出基于“One Warp Per Tile”原則的“Warp-Based Raster”新范式，將梯度聚合簡(jiǎn)化為一次Warp內(nèi)歸約，并結(jié)合掃描線算法與混合精度策略，大幅降低梯度計(jì)算開(kāi)銷，同時(shí)實(shí)現(xiàn)高效的像素級(jí)統(tǒng)計(jì)能力。

在數(shù)據(jù)管理層，引入“聚類-剔除-壓縮”流水線，借助Morton編碼以極低開(kāi)銷對(duì)高斯基元進(jìn)行動(dòng)態(tài)空間重排，顯著提升數(shù)據(jù)局部性，減少緩存失效與Warp分支。

在算法設(shè)計(jì)層，摒棄原有模糊的度量指標(biāo)，采用更為魯棒的像素不透明度梯度方差作為致密化的核心判據(jù)，精準(zhǔn)識(shí)別欠擬合區(qū)域，其輕量化計(jì)算直接受益于底層光柵化器的高效統(tǒng)計(jì)支持。

通過(guò)系統(tǒng)與算法的協(xié)同優(yōu)化，LiteGS在訓(xùn)練效率與重建質(zhì)量上均實(shí)現(xiàn)顯著領(lǐng)先。

對(duì)比當(dāng)前質(zhì)量最優(yōu)方案，LiteGS在達(dá)到同等水平時(shí)，訓(xùn)練加速最高達(dá)10.8倍，而且參數(shù)量減少一半以上。

在相同參數(shù)量下，LiteGS PSNR指標(biāo)超出主流方案0.2–0.4dB，訓(xùn)練時(shí)間縮短3.8-7倍。

針對(duì)輕量化模型，LiteGS僅需原版3DGS約10%的訓(xùn)練時(shí)間與20%的參數(shù)量，即可實(shí)現(xiàn)同等質(zhì)量。

目前，LiteGS已在GitHub平臺(tái)全面開(kāi)源：

https://github.com/MooreThreads/LiteGS

值得一提的是，12月20日-21日，摩爾線程將舉辦首屆MUSA開(kāi)發(fā)者大會(huì)，期間就設(shè)立了技術(shù)專題，深入探討3DGS等圖形智能技術(shù)。