據報導 CVPR 2026 揭示 3DGS 工業化路徑：五項研究透過動態裁剪、快取機制與 Token 解耦突破渲染效能瓶頸

據 AI 科技評論報導，CVPR 2026 的 3DGS（3D Gaussian Splatting）研究重點已從實驗室畫質轉向工業與具身智能部署，多個團隊針對生成速度、渲染效率與底層架構提出解決方案。 在輕量化生成方面，KAIST 與中央大學團隊推出 EcoSplat，透過「重要性感知透明度損失」微調模型。系統可依設備算力動態輸出 Top-K 高斯組合；在 RealEstate10K 測試中，將高斯圖元削減至 5%（約 7.8 萬個）仍可維持 24.72 dB PSNR。復旦大學與上海科技大學團隊則開發 SparseSplat，利用資訊熵計算局部複雜度，並以 3D KNN 與幾何感知注意力機制預測屬性。在 DL3DV 資料集上，僅用 15 萬個高斯（傳統模型的 22%）即達 24.20 dB PSNR；在 1 萬至 4 萬高斯的超稀疏模式下，渲染幀率達 600 至 1100+ FPS。 針對大場景渲染與訓練效率，上海交通大學與 UIUC 團隊的 CaT-GS 將遊戲引擎快取引入 3DGS。透過關鍵幀預先計算軌跡包圍盒，子幀直接沿用視錐與排序快取，並重構 CUDA 算子進行負載感知任務拆分。在包含逾 700 萬高斯的 UAV City 資料集上，實現 10 倍渲染加速，1080P 解析度下達 200+ FPS。慕尼黑大學團隊提出 EDGS，利用 RoMa 等 2D 特徵匹配演算法進行密集像素匹配與三角化，直接初始化高品質 3D 高斯點，徹底消除高斯分裂（Densification）步驟。訓練 5000 步（僅需傳統時間 15%）即可超越傳統 30000 步的畫質，空間位移縮減 50 倍。 在基礎架構層面，NVIDIA 團隊的 TokenGS 解耦了像素與高斯的綁定，採用 Transformer 解碼器與可學習的 3D 空間 Token 預測高斯座標。此架構具備強抗噪性，且支援端側設備線上微調（TTT），僅需凍結主幹網路並微調輕量 3D Token 即可適應新視角。