自 2023 年《3D Gaussian Splatting for Real-Time Rendering of Radiance Fields》横空出世以来3DGS3D Gaussian Splatting迅速成为三维重建与新视角合成领域最受关注的技术路线之一。相比传统 NeRF3DGS 在渲染速度和视觉质量上取得了突破性进展使实时高保真三维场景重建成为可能。然而随着研究和产业应用的快速增长一个新的问题逐渐浮现原始实现对显存和计算资源要求较高训练效率和工程可扩展性有限研究者往往需要投入大量时间进行底层优化才能将其应用于更复杂的场景和任务。近日由加州大学伯克利分校UC Berkeley、NVIDIA、上海科技大学、Amazon、Meta 等机构联合开发的开源项目 gsplat为这一问题提供了新的解决方案。作为一个专门面向 Gaussian Splatting 方法训练与开发的基础库gsplat 在保留原始 3DGS 渲染质量的同时对底层训练框架进行了系统性重构和优化成为当前 Gaussian Splatting 生态中最重要的基础设施之一。从架构设计来看gsplat 采用前后端分离方案前端提供与 PyTorch 深度集成的 Python 接口方便研究人员快速开发和实验后端则基于高度优化的 CUDA Kernel实现高性能可微分光栅化计算。官方实验结果显示相比原始实现gsplat 最多可节省 4 倍 GPU 显存并将训练时间缩短约 10%~15%显著降低了大规模场景训练的资源门槛。除了性能提升外gsplat 还引入了自适应高斯密度控制机制可在训练过程中自动增删高斯点实现更加高效的场景表达同时支持 COLMAP、SfM 点云以及 LiDAR 点云等多种数据来源并内置实时 Web Viewer方便用户直接在浏览器中查看和交互三维场景。目前HyperAIhyper.ai的教程版块已上线「Gsplat 3D 高斯泼溅训练与可视化」降低部署门槛助力快速验证模型 ⬇️在线运行Training and Visualization of Gsplat 3D Gaussian Splatting | Notebooks | HyperAIDemo 示例更多在线教程Notebooks | HyperAIDemo 运行1.进入 hyper.ai 首页后选择「教程」页面或点击「查看更多教程」选择「Gsplat 3D 高斯泼溅训练与可视化」点击「运行此教程」。2.页面跳转后点击右上角「Clone」将该教程克隆至自己的容器中。注页面右上角支持切换语言目前提供中文及英文两种语言本教程文章以英文为例进行步骤展示。3.选择「NVIDIA RTX 5090」以及「PyTorch」镜像点击「Continue job execution继续执行」。4.等待分配资源当状态变为「Running运行中」后点击「Open Workspace」进入 Jupyter Workspace。效果展示1.页面跳转后点击左侧 README 文件进入后点击上方 Run运行。2.待运行完毕后点击右侧 API 地址即可打开 Demo 界面。