[Paper] Splaxel: Efficient Distributed Training of 3D Gaussian Splatting for Large-scale Scene Reconstruction via Pixel-level Communication

출처: arXiv - 2606.18588v1

개요

3D 가우시안 스플래팅(3DGS)은 고해상도와 실시간 3D 장면을 재구성할 수 있게 하지만, 대규모 장면을 학습에 확장하려면 수백만 개에 이르는 가우시안을 여러 GPU에서 최적화해야 합니다. 기존 분산 접근 방식은 장면을 격리된 지역으로 나누어 전역 일관성을 해치거나, 전체 가우시안 수준의 교환을 사용하여 GPU 간 통신량이 크게 증가하고 반복 시간이 빠르게 소모되는 문제를 겪습니다. 우리는 스플렉스(Splaxel)라는 통신 효율적인 분산 3DGS 학습 프레임워크를 제안합니다. 이 프레임워크는 픽셀 수준의 로컬 렌더링과 전역 합성에 기반합니다. 가우시안을 동기화하지 않고 각 GPU가 로컬 부분집합을 렌더링하고, 오직 일부 픽셀 값만 교환하여 수학적 일관성을 유지하면서 통신 비용이 장면을 확대함에 따라 안정적으로 유지됩니다. 스플렉스는 기하학과 전송 가시성 예측을 통해 픽셀 수준의 중복을 줄이고, 충돌 없는 카메라 뷰 합침을 통해 GPU 활용 효율을 높입니다. 대형 데이터셋(최대 1억2천만 개 가우시안) 평가에서는 스플렉스가 최첨단 분산 3DGS 프레임워크 대비 최대 7.6배의 속도 향상을 달성하면서 고품질 재구성을 유지합니다.

주요 공헌

• cs.DC
• cs.CV

방법론

자세한 방법については 전체 논문을 참고하십시오.

실용적 의미

본 연구는 cs.DC 분야의 발전에 기여합니다.

저자들

• Wenqi Jia
• Zhewen Hu
• Ying Huang
• Yu Gong
• Stavros Kalafatis
• Yuke Wang
• Wei Niu
• Chengming Zhang
• Ang Li
• Sheng Di
• Yuede Ji
• Bo Fang
• Miao Yin

논문 정보

• arXiv ID: 2606.18588v1
• 분류: cs.DC, cs.CV
• 발표일: 2026년 6월 17일
• PDF: PDF 다운로드