近年来，高斯泼溅作为一种高效的可微三维表示方法，在实现高质量、实时渲染的同时，相比传统神经辐射场方法具备更高的训练效率，已在三维重建、数字人、虚拟现实与数字孪生等领域快速发展。中国科学院计算技术研究所团队提出了高斯泼溅解耦表示与重光照方法DeferredGS（如图1所示），该方法引入了延迟渲染管线，并将场景的几何属性与材质进行解耦，实现了高斯泼溅场景的实时重光照。这种设计从根本上避免了几何属性对输入光照的过拟合，使重光照效果更加真实可信。

过往，DeferredGS这类包含优化高斯泼溅光栅化与延迟渲染管线的复杂方法，长期依赖海外GPU底层生态进行训练与推理。为了打破这一生态壁垒，探索全国产、全栈自主可控的软硬件路径，双方团队开展了深度的底层适配工作。依托摩尔线程完善的MUSA软件栈，团队成功完成了国产深度学习框架计图、高斯泼溅光栅化与延迟渲染管线GPU算子的MUSA迁移。基于扎实的底层框架适配，团队在摩尔线程MTT S5000上完整复现了DeferredGS的训练与推理（如图2所示）。这一成果有效提升了高斯泼溅这一前沿三维生成与渲染技术在国产GPU上的可用性与可复现性，大幅降低了对海外GPU生态的依赖，是一套自主可控的全国产软硬件协同方案。

基于摩尔线程MUSA的计图框架代码已在Github开源（https://github.com/IGLICT/Jittor_MUSA ），开发者通过pip安装该版本计图后即可使用，无需其他环境配置，基于计图的深度学习算法开发教程请参考计图官方教程https://cg.cs.tsinghua.edu.cn/jittor/ 。

*以上内容来自如下参考文献，以及摩尔线程实验室。

1. Shi-Min Hu, Dun Liang, Guo-Ye Yang, Guo-Wei Yang, and Wen-Yang Zhou, Jittor: a novel deep learning framework with meta-operators and unified graph execution, Science China Information Sciences, 2020, 63(12), 222103.2. Tong Wu, Jia-Mu Sun, Yu-Kun Lai, Yuewen ma, Leif Kobbelt, Lin Gao*, “DeferredGS: Decoupled and Relightable Gaussian Splatting With Deferred Shading,” in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 47, no. 8, pp. 6307-6319, Aug. 2025, doi: 10.1109/TPAMI.2025.3560933.

▼ 关于摩尔线程开发者

摩尔线程开发者是国产 GPU 创新企业摩尔线程专为技术爱好者和开发者打造的一站式服务平台。摩尔线程致力于构建一个技术共享和创新驱动的开发者生态服务体系，助力开发者实现技术突破，推动创新应用落地。