近日摩尔线程自研高性能3DGS训练框架LiteGS的论文被计算机视觉领域顶级会议ECCV 2026正式接收。该成果面向当前三维视觉与图形领域快速发展的三维高斯溅射3D Gaussian Splatting, 3DGS技术提出了一套高性能训练框架在保持高质量重建效果的同时大幅提升训练效率并降低资源开销。ECCV 2026计算机视觉领域三大顶会之一ECCVEuropean Conference on Computer Vision欧洲计算机视觉会议与ICCV、CVPR并称为计算机视觉领域三大顶级国际会议每两年举办一次论文接收率长期维持在约25%的水平。被ECCV录用的论文代表着计算机视觉与模式识别领域的前沿研究水准。LiteGS入选ECCV 2026标志着其在系统与算法协同设计方面的创新成果获得国际学术界的高度认可。此前LiteGS已在图形学顶级会议SIGGRAPH Asia 2025的3DGS重建挑战赛中斩获银奖详见过往报道——以平均PSNR 27.58、重建耗时仅34秒的成绩在精度与效率两项指标上取得均衡且亮眼的表现。从顶会竞赛获奖到顶会论文录用摩尔线程LiteGS在三维重建与渲染领域的持续积累已形成从工程实践到学术前沿的完整闭环。LiteGS全链路协同优化实现速度与精度双SOTA3DGS近年来已成为三维场景重建和实时渲染中的重要技术方向。它能够从多视角图像中重建出高质量三维场景并支持高帧率、新视角的实时渲染因此在虚拟现实、增强现实、数字孪生、影视制作、游戏内容生产、自动驾驶仿真、机器人感知、文化遗产数字化等领域具有广泛应用前景。然而传统3DGS训练过程通常需要较长时间和较高显存开销这限制了其在大规模场景、移动端设备、交互式创作以及实时内容生成中的进一步应用。图1LiteGS整体框架绿线。LiteGS在数据、算子、算法三个层级分别以Custer-Cull-Compact、Warp-based Raster和Variance-guided Densification三个模块消除了传统训练框架的性能负循环红线。与传统训练过程相比LiteGS以更少计算量更高的硬件利用率达成快速训练。LiteGS的目标是让3DGS训练变得更快、更轻、更易用。在系统与算法协同优化的设计理念下LiteGS从底层GPU系统到顶层算法设计进行了全链路优化——在GPU系统层面设计了基于One Warp Per Tile原则的Warp-Based Raster新范式在数据管理层引入基于Morton编码的动态空间排序与聚类-剔除-压缩流水线在算法设计层提出基于像素不透明度梯度方差的鲁棒致密化判据。图2LiteGS在MipNeRF360数据集上的精度与训练耗时对比。结果显示LiteGS在各类参数规模下均实现了精度领先同时训练速度显著提升。上图实测结果显示在同等参数规模下LiteGS达到速度和精度双SOTA▼精度普遍高于其他方法训练速度显著优于其他方法▼在常规训练配置下将训练时间压缩到2分钟内▼更进一步在以空间换时间的激进策略下训练时间在中端消费级显卡上可以被压缩到1分钟内高端消费级显卡可以达到30秒。图3LiteGS与其它3DGS方法的可视化比较。上图可视化结果表明LiteGS在精度上的优势不仅体现在数值指标上在纹理丰富区域其重建质量的提升肉眼可见▼在常规的训练配置下LiteGS以320s的训练时长取得显著精度优势如红框所示墙体上的砖块纹理被清晰重建。▼在激进的快速训练配置下LiteGS*以52s的极短时间快速重建出主要的几何结构和纹理细节且与其它方法相比几乎没有精度损失。高效3DGS训练推动三维内容生产方式变革更高效的3DGS训练能力正在重塑三维内容的生产范式。在游戏与影视行业它能够帮助创作者更快地生成真实场景资产对于VR/AR和数字孪生应用它可以缩短从真实世界到虚拟空间的建模周期对于自动驾驶和机器人领域它可以提高复杂场景重建和仿真数据构建的效率对于城市建模、文物保护和工业检测等应用它也能够降低大规模三维重建的计算成本。摩尔线程LiteGS不仅关注3DGS训练的速度也关注实际应用中的稳定性、质量和易用性。通过在系统效率和算法表现之间进行协同优化LiteGS为3DGS从研究原型走向更广泛的工程落地提供了新的可能。随着高效三维重建技术的不断发展3DGS将在更多真实场景中释放潜力成为连接真实世界与数字世界的重要基础技术之一。了解摩尔线程LiteGS更多信息请访问以下链接或点击下方“阅读原文”▼LiteGS现已开源https://github.com/MooreThreads/LiteGS▼LiteGS学术论文https://arxiv.org/pdf/2503.01199*以上测试数据来自摩尔线程实验室。阅读原文