摩尔线程3DGS挑战赛夺冠：自研LiteGS开源方案详解

机器之心发布

12 月 17 日，在香港举办的全球图形学领域备受瞩目的顶级学术盛会 SIGGRAPH Asia 2025 上，摩尔线程在 3D Gaussian Splatting Reconstruction Challenge（3DGS 重建挑战赛）中凭借自研技术LiteGS出色的算法实力和软硬件协同优化能力，斩获大赛银奖，再次证明摩尔线程在新一代图形渲染技术上的深度积累与学术界的高度认可。

3DGS：下一代图形渲染的范式革命

开启 AI 加速的高效渲染时代

3D Gaussian Splatting（3DGS，三维高斯溅射）是 2024 年提出的一项革命性 3D 场景表示与渲染技术，以可参数化的 3D 高斯分布为核心，实现了画质、效率与资源占用之间的卓越平衡。与传统 NeRF 相比，3DGS 在保持逼真渲染质量的前提下，将渲染效率提升数百至上千倍，并在光线追踪、VR/AR 实时渲染、多模态融合等方向展现出极强的适应性与扩展性。

（* 上图仅作示意）

作为近年来快速发展的神经渲染技术，3DGS 不仅在三维重建与实时渲染等方向展现出卓越优势，也在更广泛的 AI 场景中具备潜在的基础价值。尤其是在具身智能（Embodied AI）等需要智能体理解并与真实环境交互的前沿领域，高质量、低延迟的三维环境建模至关重要。3DGS 以其高保真场景显示、快速优化能力和轻量级结构，为构建准确的世界模型提供了可靠支撑，有助于提升路径规划、环境感知和复杂操作任务的能力。随着 AI 技术向 “理解并操作真实世界” 方向不断延展，3DGS 正逐渐成为具身智能训练场景中的关键基础技术之一。

正因其对未来图形学技术路线的关键意义，3DGS 已成为全球学术界与产业界竞相投入的研究方向，受到 SIGGRAPH Asia 等权威机构的高度关注。

极致挑战：60 秒高质量重建

推动 3DGS 技术走向实用化临界点

本次竞赛为参赛团队设置了极具挑战性的任务：参赛者需在 60 秒内，基于主办方提供的真实终端视频序列（10–30 秒）、存在误差的相机轨迹以及终端 SLAM 点云，在极短时间内完成完整的 3DGS 高质量重建。

主办方以 PSNR（重建质量）与重建速度为综合评价指标，力求在完全公开、公正的条件下得出权威排名。

目前 3D Gaussian Splatting Reconstruction Challenge（3DGS 重建挑战赛）的结果及数据集已向全球公开，相关资料可在 SIGGRAPH Asia 游戏获取。

地址：https://gaplab.cuhk.edu.cn/projects/gsRaceSIGA2025/

摩尔线程的技术答卷

以全栈能力实现精度与速度的极致平衡

摩尔线程 AI 团队以参赛编号 “MT-AI” 进入决赛阶段，在重建精度与效率两项指标上取得均衡且亮眼的表现：

平均 PSNR：（位列前三）重建耗时：34 秒（显著领先多数队伍）

凭借行业领先的 3DGS 算法构建能力与软硬件协同优化优势，摩尔线程最终获得二等奖（银牌）的优秀成绩。

开放协作

摩尔线程开源 3DGS 基础库 LiteGS

作为一种新兴的场景表示与新视角合成技术，3DGS 凭借高渲染质量与实时渲染速度，在计算机图形学与视觉领域实现了显著突破。该技术通过数以百万计的各向异性三维高斯基元来表示三维场景，以实现逼真的渲染效果，并在自动驾驶、虚拟现实、数字孪生等领域展现出巨大潜力。然而，尽管 3DGS 的渲染速度极快，其训练过程却往往需要数十分钟甚至数小时，成为制约其广泛应用的主要瓶颈。现有优化方案往往仅从单一层面入手，难以系统性地解决训练过程中的性能制约。

为此，摩尔线程自主研发了 3DGS 基础库LiteGS，首次实现了从底层 GPU 系统、中层数据管理到高层算法设计的全链路协同优化：

GPU 系统层面，摩尔线程创新提出基于 “One Warp Per Tile” 原则的 “Warp-Based Raster” 新范式，将梯度聚合简化为一次 Warp 内归约，并结合扫描线算法与混合精度策略，大幅降低梯度计算开销，同时实现高效的像素级统计能力；数据管理层，引入 “聚类-剔除-压缩” 流水线，借助 Morton 编码以极低开销对高斯基元进行动态空间重排，显著提升数据局部性，减少缓存失效与 Warp 分支；算法设计层，摒弃原有模糊的度量指标，采用更为鲁棒的像素不透明度梯度方差作为致密化的核心判据，精准识别欠拟合区域，其轻量化计算直接受益于底层光栅化器的高效统计支持。

通过系统与算法的协同优化，LiteGS 在训练效率与重建质量上均实现显著领先，树立了该领域新的性能标杆。

在达到与当前质量最优方案同等水平时，LiteGS 可获得高达 10.8 倍的训练加速，且参数量减少一半以上。在相同参数量下，LiteGS 在 PSNR 指标上超出主流方案 0.2–0.4 dB，训练时间缩短 3.8 至 7 倍。针对轻量化模型，LiteGS 仅需原版 3DGS 约 10% 的训练时间与 20% 的参数量，即可实现同等质量，展现出卓越的工程实用性与技术前瞻性。

目前，LiteGS 已在 GitHub 平台全面开源，以推动三维重建与渲染技术的开放协作与持续演进。

开源地址：https://github.com/MooreThreads/LiteGS

摩尔线程此次在国际图形学顶会赛事上的获奖，不止是一次竞赛胜利，更是准确把握全球技术发展趋势并引领未来图形计算技术方向的战略体现。作为图形学领域未来发展的重要方向，3DGS 技术对算法与硬件协同提出了极高要求。摩尔线程通过创新的算法设计、深度优化的自研硬件以及高效的软硬件协同，在本次赛事中展现了卓越的综合能力。这一成就，印证了摩尔线程在图形智能计算领域技术路径的前瞻性与工程可行性，并体现了公司将前沿研究快速转化为实践成果的强大执行力。

2025 年 12 月 20 日 - 21 日，摩尔线程将于首届 MUSA 开发者大会设立技术专题，深入探讨 3DGS 等图形智能技术如何塑造未来，赋能具身智能等前沿领域，诚邀您共同关注与探讨。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：摩尔线程3DGS挑战赛夺冠：自研LiteGS开源方案详解要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题