Analytic-Splatting: Anti-Aliased 3D Gaussian Splatting via Analytic Integration¶

会议: ECCV 2024
arXiv: 2403.11056
代码: https://lzhnb.github.io/project-pages/analytic-splatting/ (有)
领域: 3D视觉 / 新视角合成
关键词: 3D Gaussian Splatting, Anti-Aliasing, Analytic Integration, Novel View Synthesis, Multi-Scale

一句话总结¶

通过使用条件 logistic 函数解析近似高斯信号在像素窗口上的积分，替代 3DGS 的像素中心点采样，实现无混叠的 3D 高斯泼溅，在多尺度渲染上超越 Mip-Splatting。

研究背景与动机¶

领域现状：3D Gaussian Splatting (3DGS) 通过将场景表示为 3D 高斯体并光栅化到像素，实现了实时高质量新视角合成。但标准 3DGS 在每个像素只评估中心点处的高斯值，将像素视为孤立点而非面积区域。
现有痛点：
严重的混叠（aliasing）：当训练和测试分辨率不同，或多视角图像拍摄距离变化时，像素足迹变化导致采样带宽不足（违反 Nyquist），产生锯齿和模糊
Mip-Splatting 的过平滑：Mip-Splatting 用 3D 高斯滤波做预滤波来抗混叠，但这会过度平滑高频细节，损失锐度
超采样（Super-Sampling）成本高：对每个像素多次采样再平均，质量不错但计算成本线性增加
核心矛盾：抗混叠需要考虑像素的面积效应（积分而非点采样），但精确计算 2D 高斯在矩形窗口上的积分是困难的（2D 高斯 CDF 没有解析形式）
本文要解决什么？ 如何在不引入过度平滑的前提下，高效地将高斯信号在像素窗口上做积分来消除混叠？
切入角度：用 logistic 函数精确近似 1D 高斯 CDF，然后通过协方差矩阵对角化将 2D 积分分解为两个独立的 1D 积分
核心 idea 一句话：用条件 logistic 函数 \(S(x) = 1/(1+\exp(-1.6x - 0.07x^3))\) 解析近似高斯 CDF，实现像素窗口积分代替点采样，误差仅 \(10^{-4}\) 级别

方法详解¶

整体框架¶

在 3DGS 的渲染 pipeline 中，将每个像素的高斯值评估从"中心点采样"替换为"窗口积分"。技术上用条件 logistic 函数近似高斯 CDF，通过协方差矩阵特征分解实现 2D 窗口的可分离积分。

关键设计¶

条件 Logistic 函数近似高斯 CDF:
做什么：用 \(S(x) = \frac{1}{1+\exp(-1.6x - 0.07x^3)}\) 近似标准正态分布的 CDF
核心思路：窗口积分 = CDF 之差：\(\mathcal{I}_g(u) = S_\sigma(u+1/2) - S_\sigma(u-1/2)\)，其中 \(S_\sigma(x) = S(x/\sigma)\)
设计动机：误差仅 \(10^{-4}\) 量级，可微分友好（适合反向传播），不像高斯滤波那样会过度平滑高频成分
2D 窗口积分的分解:
做什么：将 2D 高斯在矩形像素窗口上的积分转化为两个独立 1D 积分的乘积
核心思路：对 2D 协方差矩阵 \(\hat{\Sigma}\) 做特征分解得到特征值 \(\{\lambda_1, \lambda_2\}\) 和特征向量 \(\{v_1, v_2\}\)，将积分域旋转到特征向量方向使协方差对角化，然后分解：\(\mathcal{I}_g^{2D}(\mathbf{u}) \approx 2\pi\sigma_1\sigma_2 [S_{\sigma_1}(\tilde{u}_x+1/2) - S_{\sigma_1}(\tilde{u}_x-1/2)][S_{\sigma_2}(\tilde{u}_y+1/2) - S_{\sigma_2}(\tilde{u}_y-1/2)]\)
设计动机：直接做 2D 高斯积分无解析形式。旋转+分解引入微小误差但换来可解析计算
替换体渲染公式:
做什么：将 3DGS 的体渲染中的 \(g_i^{2D}(\mathbf{u})\) 替换为 \(\mathcal{I}_{g_i}^{2D}(\mathbf{u})\)
公式：\(\mathbf{C}(\mathbf{u}) = \sum_{i} T_i \mathcal{I}_{g_i}^{2D}(\mathbf{u}|\hat{\mu}_i, \hat{\Sigma}_i) \alpha_i \mathbf{c}_i\)
设计动机：完全兼容 3DGS 的 CUDA 光栅化 pipeline，只需修改着色器

损失函数 / 训练策略¶

使用与 3DGS 相同的训练策略和损失函数（L1 + SSIM）
Custom CUDA shader 实现解析着色模块
支持反向传播（附录中推导了梯度）

实验关键数据¶

主实验（Multi-Scale Blender Synthetic）¶

方法	Full PSNR	1/2 PSNR	1/4 PSNR	1/8 PSNR	Avg PSNR
3DGS	28.79	30.66	31.64	27.98	29.77
3DGS-SS	32.05	33.78	33.92	31.12	32.71
Mip-Splatting	32.81	34.49	35.45	35.50	34.56
Ours	33.22	34.92	35.98	36.00	35.03

Multi-Scale Mip-NeRF 360¶

方法	Avg PSNR	Avg SSIM	Avg LPIPS
3DGS	27.63	0.853	0.156
Mip-Splatting	29.12	0.883	0.134
Ours	29.51	0.887	0.123

消融实验¶

近似方案	特点	近似误差量级
3DGS (点采样)	只采样中心点	最大
Super-Sampling	多点采样平均	中等
Mip-Splatting (高斯滤波)	预滤波 → 过平滑	中等
Ours (Logistic CDF)	解析积分	~10⁻⁴

关键发现¶

小 σ（高频细节）时优势最大：Mip-Splatting 的高斯滤波在小 σ 时过度平滑，本文方法保持高频
1/8 分辨率提升最显著：36.00 vs 35.50 PSNR，低分辨率下抗混叠更重要
超分辨率（2×）也有优势：26.90 vs 26.46 PSNR（vs Mip-Splatting）
帧率降低约 10%：额外的根号和指数运算带来轻微计算开销

亮点与洞察¶

数学优雅：用 logistic 函数近似高斯 CDF 的思路很巧妙——\(S(x) = 1/(1+\exp(-1.6x-0.07x^3))\) 这个特定参数化实现了 \(10^{-4}\) 级精度
比"预滤波"更好的反混叠策略：Mip-Splatting 在信号端做低通滤波（相当于模糊），本文在采样端做积分（不改变信号）——后者保留了更多高频信息
协方差对角化做可分离积分：将 2D 窗口旋转到协方差主轴方向，虽然矩形窗口变成了旋转后的矩形（不完全匹配像素），但误差可控

局限性 / 可改进方向¶

帧率降低 ~10%：更多的指数和根号运算。可能通过 CUDA 优化或 Tensor Core 利用来缓解
旋转像素窗口引入近似误差：对角化后的积分域不再与像素精确对齐，旋转角大时误差增加
logistic 函数适用范围 σ ∈ [0.3, 6.6]：超出范围精度下降，但实际 3DGS 中很少超出
未与 2DGS/GS-Surfel 等新方法比较：3DGS 变体发展迅速，需要更多对比

评分¶

新颖性: ⭐⭐⭐⭐ logistic CDF 近似 + 协方差对角化的技术方案新颖优雅
实验充分度: ⭐⭐⭐⭐ 多数据集、多尺度、超分辨率、详细误差分析
写作质量: ⭐⭐⭐⭐⭐ 数学推导清晰，插图形象，误差分析到位
价值: ⭐⭐⭐⭐ 对 3DGS 的核心渲染 pipeline 改进，直接可用于所有基于 3DGS 的方法