[Paper] 基于矩的 3D Gaussian Splatting:通过无序独立透射解决体积遮挡
Source: arXiv - 2512.11800v1
Overview
一篇新论文解决了 3‑D Gaussian Splatting (3DGS) 长期存在的弱点——对半透明、重叠几何体的粗糙处理。作者通过引入 基于矩的、与顺序无关的透射率 技术,在不使用昂贵的光线追踪或像素级排序的情况下,为基于光栅化的渲染带来了物理上合理的体积遮挡。
Key Contributions
- 密度的统计矩表示:从所有与光线相交的高斯体中推导出闭式的每像素矩(均值、方差以及更高阶矩)。
- 与顺序无关的透射率重建:利用这些矩解析地重建每个像素的连续衰减曲线,消除深度排序的需求。
- 光栅化友好的管线:将矩的计算集成到现有的 3DGS 光栅化器中,保持其实时性能特性。
- 提升的视觉保真度:相较于原始的 alpha‑blending 方法,显著改善了对重叠半透明物体(如烟雾、玻璃、树叶)的处理。
- 开源实现:提供可直接嵌入现有 3DGS 框架的代码和着色器。
Methodology
-
Gaussian projection – 每个 3‑D Gaussian 被光栅化为一个 splat,向其覆盖的每个像素贡献一个密度场。
-
Moment accumulation – 对每个像素,算法聚合 统计矩(论文中最高到第 4 阶)——这些矩由所有重叠的 Gaussian 共同贡献的密度组成。由于矩是可加的,这一步可以在 GPU 上完全并行化。
-
Transmittance reconstruction – 累计的矩定义了视线方向上密度分布的紧凑、连续近似。作者采用 矩匹配 技术(类似概率论中的矩法)来重建平滑的透射率函数
[ T(t) = \exp!\bigl(-\int_0^t \rho(s),ds\bigr). ]
-
Per‑Gaussian shading – 有了 (T(t)) 后,每个 Gaussian 的辐射贡献会乘以该 Gaussian 入口点处的透射率,从而确保后面的 splat 被前面的正确衰减——无需 显式排序。
-
Integration into 3DGS – 整个过程取代了原来的 alpha‑blending 阶段,保持相同的优化循环(基于梯度的 Gaussian 参数拟合)和实时光栅化管线。
Results & Findings
| Metric | Original 3DGS | 3DGS + Moment‑Based Transmittance |
|---|---|---|
| PSNR (complex translucent scenes) | 31.2 dB | 34.8 dB |
| SSIM | 0.92 | 0.96 |
| Average FPS (1080p) | 62 | 58 |
| Visual artifacts (halo, ghosting) | Noticeable | Greatly reduced |
- Quantitative gains: 新方法在包含半透明物体的标准视图合成基准上始终优于基线 3DGS。
- Performance impact: 增加矩计算仅带来约 5 % 的 GPU 时间开销,仍然在大多数交互式应用的实时预算范围内。
- Qualitative improvement: 对重叠玻璃板、烟雾羽流和树叶的渲染表现出真实的衰减效果,且没有顺序相关的闪烁。
Practical Implications
- Game engines & AR/VR – 开发者现在可以使用 3DGS 实现快速、高质量的体积效果(如雾、半透明 UI 面板),而不会牺牲实时帧率。
- Content creation pipelines – 艺术家能够更可靠地预览层叠半透明资产在引擎中的表现,减少后期合成的需求。
- Scientific visualization – 对重叠标量场(如医学 CT 数据)的准确衰减变得可行,简化了在现有 GPU 驱动的可视分析工具中的集成。
- Hybrid rendering – 矩基技术可与传统的光线追踪反射或全局光照结合,提供灵活的“最佳组合”解决方案。
Limitations & Future Work
- Higher‑order moments: 当前实现止步于第 4 阶矩;对于极其密集或高度各向异性的介质,仍可能出现近似误差。
- Memory overhead: 存储每像素矩缓冲会增加一定的 GPU 内存占用,在超高分辨率下可能成为瓶颈。
- Dynamic scenes: 虽然该方法适用于静态或缓慢变化的 Gaussian,快速场景更新(如流体模拟)可能需要重新评估矩累计的成本。
- Future directions: 作者提出的后续工作包括探索像素自适应的矩阶数、引入学习的密度先验以提升重建质量,以及将该方法扩展到处理多次散射效应。
Authors
- Jan U. Müller
- Robin Tim Landsgesell
- Leif Van Holland
- Patrick Stotko
- Reinhard Klein
Paper Information
- arXiv ID: 2512.11800v1
- Categories: cs.CV, cs.GR
- Published: December 12, 2025
- PDF: Download PDF