LODGE: Level-of-Detail Large-Scale Gaussian Splatting with Efficient Rendering¶

会议: NeurIPS 2025
arXiv: 2505.23158
代码: 有
领域: 3D 视觉 / 大规模场景渲染
关键词: Gaussian Splatting, Level-of-Detail, 大规模场景, 高效渲染, LOD

一句话总结¶

提出 LODGE，通过层次化 LOD（Level-of-Detail）策略对 3D Gaussian Splatting 进行多尺度管理，根据相机距离动态选择合适粒度的 Gaussian 表示，实现大规模场景的高质量实时渲染。

研究背景与动机¶

领域现状¶

领域现状：3DGS 在小场景中表现出色，但扩展到大规模场景（城市级别）时面临 Gaussian 数量爆炸问题。

现有痛点：百万级 Gaussian 导致 (1) GPU 内存溢出；(2) 光栅化开销巨大；(3) 远处细节浪费计算资源。

核心矛盾：高质量需要密集 Gaussian vs 效率需要稀疏表示。

切入角度：传统图形学中的 LOD 技术——远处物体用低分辨率表示，近处用高分辨率。

核心 idea：构建 Gaussian 的多层 LOD 金字塔，渲染时按距离选择合适层级。

解决思路¶

本文目标：### 整体框架

场景分块 → 每块构建 LOD 金字塔（从精细到粗糙）→ 渲染时按距离选择层级 → 混合光栅化。

方法详解¶

整体框架¶

场景分块 → 每块构建 LOD 金字塔（从精细到粗糙）→ 渲染时按距离选择层级 → 混合光栅化。

关键设计¶

LOD 金字塔构建
- 功能：将精细 Gaussian 逐级合并为更粗糙的表示
- 核心思路：空间聚类 + 属性融合——邻近 Gaussian 合并为更大的 Gaussian，颜色和不透明度加权平均
- 设计动机：远处观察时小 Gaussian 被像素覆盖，合并后效果等价但数量减少
距离自适应选择
- 功能：根据相机到每个块的距离选择合适的 LOD 层级
- 核心思路：\(\text{LOD}(d) = \lfloor \log_2(d / d_{min}) \rfloor\)，距离翻倍则粗一级
- 设计动机：人眼对远处细节不敏感，Screen Space Error 控制视觉质量
跨层级平滑过渡
- 功能：在 LOD 层级切换边界处避免突变（popping artifact）
- 核心思路：在边界区域混合相邻两级的 Gaussian，用线性插值权重
- 设计动机：突然切换会导致可见的闪烁

损失函数 / 训练策略¶

各层级独立训练：\(\mathcal{L} = \lambda_1 \mathcal{L}_{photometric} + \lambda_2 \mathcal{L}_{SSIM}\)。从最精细层开始训练，逐级合并构建粗糙层。

实验关键数据¶

主实验¶

方法	Mill19 PSNR↑	渲染 FPS↑	GPU 内存↓	Gaussian 数量↓
3DGS	26.8%	15	24GB	45M
Mega-NeRF	25.1%	0.5	8GB	N/A
LODGE	26.5%	45	8GB	12M (渲染时)

消融实验¶

配置	PSNR	FPS	说明
单层级 (最精细)	26.8%	15	内存爆
LOD 无平滑过渡	26.1%	42	popping artifact
LOD + 平滑过渡	26.5%	45	最优

关键发现¶

LODGE 渲染 FPS 提升 3 倍（15→45），PSNR 仅降 0.3
GPU 内存从 24GB 降至 8GB，可在消费级 GPU 上运行大规模场景
平滑过渡贡献 +0.4 PSNR，有效消除 popping

亮点与洞察¶

经典 LOD 在 3DGS 中的回归：图形学的老技术在新表示形式下焕发活力。
实用性：使大规模 3DGS 在消费级硬件上可行，降低了部署门槛。

局限与展望¶

LOD 合并损失信息——某些细节在近距离观察时可能退化
动态场景的 LOD 更新策略未涉及
分块边界的接缝问题需进一步处理

评分¶

新颖性: ⭐⭐⭐⭐ LOD 概念成熟但在 3DGS 中的适配有创新
实验充分度: ⭐⭐⭐⭐ 大规模场景验证
写作质量: ⭐⭐⭐⭐ 清晰
价值: ⭐⭐⭐⭐⭐ 大规模 3DGS 的实用方案