RetinaGS: Scalable Training for Dense Scene Rendering with Billion-Scale 3D Gaussians

在这项工作中，我们探索了在大规模、高分辨率数据集上训练高参数3D高斯喷洒（3DGS）模型的可能性。我们设计了一种通用的模型并行训练方法，名为RetinaGS，它使用适当的渲染方程，并可应用于任何场景和高斯基元的任意分布。它使我们能够探索以前难以探索的基元数量和训练分辨率方面的3DGS的扩展行为，并超越了先前的最先进的重建质量。我们观察到使用我们的方法增加基元数量时，视觉质量明显提高的积极趋势。我们还展示了第一次尝试在完整的MatrixCity数据集上训练10亿个以上基元的3DGS模型，达到了有希望的视觉质量。

本论文旨在探索训练大规模、高分辨率数据集上的高参数3D高斯喷洒（3DGS）模型的可能性。作者设计了一种名为RetinaGS的通用模型并行训练方法，可以应用于任何场景和任意高斯原始分布，以此来探索3DGS在原始数量和训练分辨率方面的可扩展性。

论文中的关键思路是使用合适的渲染方程，并且可以应用于任何场景和任意高斯原始分布，从而实现3DGS的模型并行训练。该方法可以探索更多的原始数量和训练分辨率，并且超越了之前的最先进的重建质量。

本文的亮点是：观察到使用RetinaGS方法，随着原始数量的增加，视觉质量呈现明显的正向趋势；展示了首次尝试在完整的MatrixCity数据集上训练一个10亿个原始的3DGS模型，并获得了有前途的视觉质量。

最近在这个领域中，还有一些相关的研究，例如：《DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation》、《PIFuHD: Multi-Level Pixel-Aligned Implicit Function for High-Resolution 3D Human Digitization》等。