2025年12月17日，线程形顶香港——在全球图形学领域备受瞩目的赢图顶级学术盛会?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出色的挑战%E3%80%90WhatsApp%20+86%2015855158769%E3%80%91exercise%20ball%20stomach%20exercises算法实力和软硬件协同优化能力，斩获大赛银奖，线程形顶再次证明摩尔线程在新一代图形渲染技术上的赢图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加速的线程形顶高效渲染时代
3D Gaussian Splatting（3DGS，三维高斯溅射）是赢图2023年提出的一项革命性3D?场景表示与渲染技术，以可参数化的挑战3D?高斯分布为核心，实现了画质、线程形顶效率与资源占用之间的赢图卓越平衡。与传统?NeRF?相比，挑战%E3%80%90WhatsApp%20+86%2015855158769%E3%80%91exercise%20ball%20stomach%20exercises3DGS?在保持逼真渲染质量的线程形顶前提下，将渲染效率提升数百至上千倍，赢图并在光线追踪、挑战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
本次競賽為參賽團隊設置了極具挑戰性的任務：參賽者需在60秒內，基于主辦方提供的真實終端視頻序列（10–30秒）、存在誤差的相機軌跡以及終端?SLAM?點云，在極短時間內完成完整的3DGS?高質量重建。
主辦方以?PSNR（重建質量）與重建速度為綜合評價指標，力求在完全公開、公正的條件下得出權威排名。
?
目前3D Gaussian Splatting Reconstruction Challenge（3DGS?重建挑戰賽）的結果及數據集已向全球公開，相關資料可在SIGGRAPH Asia?官方網站獲取（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：27.58（位列前三）
重建耗时：34秒（显著领先多数队伍）
憑借行業領先的3DGS?算法構建能力與軟硬件協同優化優勢，摩爾線程最終獲得二等獎（銀牌）的優秀成績。
?
開放協作：摩爾線程開源3DGS基礎庫?LiteGS
???????作為一種新興的場景表示與新視角合成技術，3DGS憑借高渲染質量與實時渲染速度，在計算機圖形學與視覺領域實現了顯著突破。該技術通過數以百萬計的各向異性三維高斯基元來表示三維場景，以實現逼真的渲染效果，并在自動駕駛、虛擬現實、數字孿生等領域展現出巨大潛力。然而，盡管3DGS的渲染速度極快，其訓練過程卻往往需要數十分鐘甚至數小時，成為制約其廣泛應用的主要瓶頸。現有優化方案往往僅從單一層面入手，難以系統性地解決訓練過程中的性能制約。
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：
?在GPU系統層面，摩爾線程創新提出基于“One Warp Per Tile”原則的“Warp-Based Raster”新范式，將梯度聚合簡化為一次Warp內歸約，并結合掃描線算法與混合精度策略，大幅降低梯度計算開銷，同時實現高效的像素級統計能力；
在数据管理层，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；
在算法设计层，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（https://github.com/MooreThreads/LiteGS），以推动三维重建与渲染技术的开放协作与持续演进。
?摩爾線程此次在國際圖形學頂會賽事上的獲獎，不止是一次競賽勝利，更是準確把握全球技術發展趨勢并引領未來圖形計算技術方向的戰略體現。作為圖形學領域未來發展的重要方向，3DGS技術對算法與硬件協同提出了極高要求。摩爾線程通過創新的算法設計、深度優化的自研硬件以及高效的軟硬件協同，在本次賽事中展現了卓越的綜合能力。這一成就，印證了摩爾線程在圖形智能計算領域技術路徑的前瞻性與工程可行性，并體現了公司將前沿研究快速轉化為實踐成果的強大執行力。
?2025年12月20日-21日，摩爾線程將于首屆MUSA開發者大會設立技術專題，深入探討3DGS等圖形智能技術如何塑造未來，賦能具身智能等前沿領域，誠邀您共同關注與探討。