近日，全球人工智能顶级学术会议 NeurIPS 2026 正式公布录用结果，摩尔线程三维重建最新研究成果《ReorgGS: Equivalent Distribution Reorganization for 3D Gaussian Splatting》成功入选主会 Poster。这不仅代表着该项创新获得国际顶会高度认可，也展现了团队在下一代神经渲染与 3D 内容生成领域的硬核研发实力。

作为计算机图形学与三维视觉领域当前最受瞩目的前沿方向之一，3DGS 虽能实现高质量实时渲染，但其训练后期的参数优化瓶颈一直是业界面临的技术难题。此次入选 NeurIPS 的 ReorgGS 给出了一种兼具极简工程特性的破局方案：为已有 3DGS 模型增加一次高斯重组，以极小的工程改动，让同样的后训练预算获得更好的画质，并降低渲染开销。

在覆盖五类方法、三大数据集的实验中，ReorgGS 的训练 PSNR 平均提升 0.534dB；论文报告的 LiteGS 累计渲染耗时减少约 12.8%。ReorgGS 的接入改动集中在一个重组步骤：重新组织已有高斯的位置、形状与初始不透明度，随后沿用既有流程继续训练。整个过程不改动渲染器与损失函数，也不引入新的神经网络模块，开发者可以保留已经搭建的渲染与训练组件，无需为此重新设计整套系统。

图 1：同样额外训练 30,000 次，加入一次高斯重组后，木地板纹理更加清晰。取自论文 Figure 3 的 LiteGS 行，保留原有红框与放大区域。

重塑优化动力学，让训练突破局部瓶颈

3DGS 用大量高斯基元表示场景，通过优化它们的位置、形状、颜色和不透明度逐步还原真实图像。训练进入后期，整体画面可能已经接近真实场景，细节却迟迟无法改善。ReorgGS 将这一现象与高斯参数化的退化联系起来：前方高不透明度的漂浮基元会削弱后方真实表面的梯度信号；大量相互重叠的高斯又可能对同一图像误差产生相似响应，形成冗余耦合，限制参数更新的有效性。

ReorgGS 的核心洞察是：相近的场景分布，并不意味着相同的优化动力学。

方法将已训练模型视为描述场景的概率分布，从中重新采样高斯中心，再利用局部近邻估计形状与方向，以较低不透明度初始化。已有模型学到的场景信息由此成为重组的依据，而高斯之间的遮挡与重叠关系得到重建，相当于为同一场景换一套更利于优化的参数坐标。

图 2：高斯重组改变后续优化路径，帮助模型恢复局部细节。由论文 teaser 重排，前两列为结构示意，右列为渲染结果。

这一设计从梯度可达性与参数耦合两个方面改善后续训练：让更新信号更容易到达被遮挡的真实表面，减少高斯对同一误差的冗余响应。通过重建参数坐标，ReorgGS 改变了局部优化几何，使同一个损失函数下的梯度更新更有效。对实际训练而言，其价值是让既有表示容量被更充分地利用，将后续迭代转化为细节恢复。

训练拟合显著增强，收益覆盖多方法、多数据集

训练视角上的提升，直接反映了模型能否更充分地拟合已知观测。在相同目标高斯数量、相同额外训练迭代次数下，ReorgGS 的训练 PSNR 平均提高 0.534 dB，测试 PSNR 平均提高 0.115dB。这说明，重组带来的收益既体现在优化过程，也延伸到了未参与训练的新视角。

实验覆盖 3DGS、GOF、Taming-3DGS、3DGS-MCMC 和 LiteGS 五类来源模型，连同 LiteGS 的不同容量设置，共形成七种配置。按配置汇总，七种配置的训练与测试 PSNR 均提升；按数据集汇总，三个数据集的训练与测试 PSNR 也均提升。这一结果体现了重组对不同模型组织方式和场景分布的适用性。

图 3：从方法配置与数据集两个维度观察收益。配置对照取各配置在 11 个场景上的均值；数据集对照在各数据集内汇总七种配置及对应场景。数值均为相对直接继续训练的 PSNR 平均增量，单位 dB，越高越好。

其中，Deep Blending 上的训练 PSNR 平均提升达到 1.711dB，测试平均提升 0.319dB。在初始高斯组织更粗糙的随机初始化实验中，重组同样带来更明显的优化收益：训练 PSNR 从 32.12 dB 提高到 33.23dB，增量为 1.107dB；测试 PSNR 从 27.31dB 提高到 27.70dB，增量为 0.393dB。两条分支使用同一初始模型和相同的额外训练预算，进一步支持了通过重组改善后期优化的价值。

画质提升之外，渲染耗时减少 12.8%

更好的高斯组织也转化为渲染效率收益。论文报告，在 LiteGS 上对全部评估视角进行渲染，累计耗时从基线的 10.75 秒降至 9.37 秒，减少约 12.8%。这一效率收益来自模型结构的改善，沿用同一渲染器即可获得。

这一收益有着明确的结构依据：重组减少局部冗余重叠，降低像素颜色合成时的高斯混合计算量。逐测试像素统计显示，相比直接继续训练，参与混合的高斯数量从平均 453.45 个降至 353.76 个，负载减少约 22%。因此，ReorgGS 在改善重建细节的同时，也减轻了渲染端的重复计算。

图 4：渲染时间与混合负载分别下降。左侧为论文报告的 LiteGS 训练、测试视角累计渲染耗时，与论文基线比较；右侧与直接继续训练比较，在 11 个场景、约 4.48 亿个测试像素上按像素数加权。两项指标采用各自的比较对象。