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高斯光斑（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，称为RetinaGS，它使用适当的渲染方程，可应用于任何场景和任意高斯基元的分布。它使我们能够探索3DGS在原始数量和训练分辨率方面的扩展行为，这些行为以前很难探索，并超越了以前的最先进的重建质量。我们观察到，使用我们的方法增加原始数量时，视觉质量明显增加的积极趋势。我们还展示了首次尝试在完整的MatrixCity数据集上训练具有十亿个基元的3DGS模型，该模型具有良好的视觉质量。

本论文试图探索使用大规模、高分辨率数据集训练高参数3D高斯喷洒（3DGS）模型的可能性。同时，论文还试图验证3DGS在原始数量和训练分辨率方面的扩展行为，并超越之前的最新重建质量。

论文提出了一种名为RetinaGS的通用模型并行训练方法，使用适当的渲染方程式，并可应用于任何场景和任意高斯基元分布。同时，论文还探索了增加原始数量的积极趋势，并展示了在完整的MatrixCity数据集上训练10亿个基元的3DGS模型的第一次尝试。

论文的亮点包括：使用大规模、高分辨率数据集训练高参数3DGS模型；提出了一种名为RetinaGS的通用模型并行训练方法；探索了增加原始数量的积极趋势；展示了在完整的MatrixCity数据集上训练10亿个基元的3DGS模型的第一次尝试。

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、Occupancy Networks: Learning 3D Reconstruction in Function Space等。