StochasticSplats: Stochastic Rasterization for Sorting-Free 3D Gaussian Splatting
作者: Shakiba Kheradmand, Delio Vicini, George Kopanas, Dmitry Lagun, Kwang Moo Yi, Mark Matthews, Andrea Tagliasacchi
发布时间: 2025-04-03
来源: arxiv
研究方向: 计算机图形学与三维可视化
主要内容
本文提出了一种名为StochasticSplats的3D高斯喷溅随机光栅化方法，旨在解决传统3D高斯喷溅方法中存在的排序、渲染性能和可移植性问题。
主要贡献
1. 提出了一种基于随机透明度的3D高斯喷溅方法，消除了排序的需要，并允许对重叠的高斯进行精确的3D混合。
2. 实现了基于蒙特卡洛估计器的随机透明度，进一步提高了3D高斯喷溅的计算时间与质量之间的权衡能力。
3. 通过OpenGL着色器实现了该方法，使其能够在现代GPU硬件上高效渲染。
4. 该方法在合理的视觉质量下，渲染速度比排序光栅化快4倍以上。
5. 引入了一种新的蒙特卡洛梯度估计器，允许在渲染和训练过程中使用随机透明度，并支持下游应用在渲染时间动态调整采样，以平衡延迟和质量。
研究方法
1. 随机透明度
2. 蒙特卡洛估计器
3. OpenGL着色器
4. 不同样本数下的质量与性能权衡
5. 不同iable Monte Carlo方法
实验结果
实验结果表明，与传统的排序光栅化方法相比，StochasticSplats在渲染质量、速度和可移植性方面均有显著优势。该方法在合理的视觉质量下，渲染速度可提高4倍以上，并且能够有效地减少 popping 艺术效果。
未来工作
未来的工作可以集中在减少正向和反向估计器的方差上，例如使用重要性采样、分层采样或控制变量。此外，还可以通过利用轻量级（神经）去噪算法来进一步提高质量，类似于在粗糙3D渲染中结合扩散模型的方式。