Abstract
Recent advances in 3D Gaussian Splatting (3DGS) have focused on accelerating optimization while preserving reconstruction quality. However, many proposed methods entangle implementation-level improvements with fundamental algorithmic modifications or trade performance for fidelity, leading to a fragmented research landscape that complicates fair comparison. In this work, we consolidate and evaluate the most effective and broadly applicable strategies from prior 3DGS research and augment them with several novel optimizations. We further investigate underexplored aspects of the framework, including numerical stability, Gaussian truncation, and gradient approximation. The resulting system, Faster-GS, provides a rigorously optimized algorithm that we evaluate across a comprehensive suite of benchmarks. Our experiments demonstrate that Faster-GS achieves up to 5$\times$ faster training while maintaining visual quality, establishing a new cost-effective and resource efficient baseline for 3DGS optimization. Furthermore, we demonstrate that optimizations can be applied to 4D Gaussian reconstruction, leading to efficient non-rigid scene optimization.
Abstract (translated)
最近在3D高斯点阵（3DGS）领域的进展主要集中在加速优化过程的同时保持重建质量。然而，许多提出的改进方法将实现层面的提升与基础算法修改混为一谈，或者为了性能牺牲了精度，这导致了一个复杂的、难以进行公平比较的研究领域。在这项工作中，我们总结并评估了之前3DGS研究中最有效且应用广泛的策略，并在此基础上引入了几种新颖的优化措施。此外，我们还深入探讨了框架中尚未充分研究的部分，包括数值稳定性、高斯截断以及梯度近似等方面的问题。 由此产生的系统Faster-GS提供了一个经过严格优化的算法，并通过一系列全面基准测试进行了评估。实验结果表明，Faster-GS能够使训练速度提升高达5倍的同时保持视觉质量不变，从而为3DGS优化建立了一个新的成本效益高且资源消耗低的基础标准。此外，我们还展示了这些优化措施可以应用于4D（四维）高斯重建上，进而实现高效的非刚性场景优化。 翻译如下： 最近在3D高斯点阵（3DGS）领域的发展主要集中在加速优化的同时保持重建质量。然而，许多提议的方法将实现层面的改进与基础算法的变化交织在一起，或者以牺牲性能为代价换取准确性，导致了一个复杂的研究领域，使得公平比较变得困难。在这项工作中，我们汇总并评估了此前研究中最具有效性和广泛应用策略，并在此基础上增加了几种新颖的优化措施。我们还进一步探索了该框架尚未充分研究的部分，包括数值稳定性、高斯截断和梯度近似等方面。 由此产生的系统Faster-GS提供了一个经过严格优化的算法，并通过一系列全面的基准测试对其进行了评估。我们的实验表明，Faster-GS能够实现高达5倍的训练速度提升同时保持视觉质量不变，从而为3DGS优化建立了一个新的成本效益高且资源消耗低的基础标准。此外，我们还展示了这些优化措施可以应用于4D（四维）高斯重建中，进而实现了高效的非刚性场景优化。
URL
https://arxiv.org/abs/2602.09999
