作为计算机图形学与三维视觉领域当前最受瞩目的前沿方向之一，3DGS虽能实现高质量实时渲染，但其训练后期的参数优化瓶颈一直是业界面临的技术难题。此次入选NeurIPS的ReorgGS给出了一种兼具极简工程特性的破局方案：为已有3DGS模型增加一次高斯重组，以极小的工程改动，让同样的后训练预算获得更好的画质，并降低渲染开销。
在覆盖五类方法、三大数据集的实验中，ReorgGS的训练PSNR平均提升0.534dB；论文报告的LiteGS累计渲染耗时减少约12.8%。ReorgGS的接入改动集中在一个重组步骤：重新组织已有高斯的位置、形状与初始不透明度，随后沿用既有流程继续训练。整个过程不改动渲染器与损失函数，也不引入新的神经网络模块，开发者可以保留已经搭建的渲染与训练组件，无需为此重新设计整套系统。
ReorgGS的核心洞察是：相近的场景分布，并不意味着相同的优化动力学。
方法将已训练模型视为描述场景的概率分布，从中重新采样高斯中心，再利用局部近邻估计形状与方向，以较低不透明度初始化。已有模型学到的场景信息由此成为重组的依据，而高斯之间的遮挡与重叠关系得到重建，相当于为同一场景换一套更利于优化的参数坐标。
实验覆盖3DGS、GOF、Taming-3DGS、3DGS-MCMC和LiteGS五类来源模型，连同LiteGS 的不同容量设置，共形成七种配置。按配置汇总，七种配置的训练与测试 PSNR 均提升；按数据集汇总，三个数据集的训练与测试PSNR也均提升。这一结果体现了重组对不同模型组织方式和场景分布的适用性。
图3：从方法配置与数据集两个维度观察收益。配置对照取各配置在11个场景上的均值；数据集对照在各数据集内汇总七种配置及对应场景。数值均为相对直接继续训练的PSNR平均增量，单位dB，越高越好。
这一收益有着明确的结构依据：重组减少局部冗余重叠，降低像素颜色合成时的高斯混合计算量。逐测试像素统计显示，相比直接继续训练，参与混合的高斯数量从平均453.45个降至353.76个，负载减少约22%。因此，ReorgGS在改善重建细节的同时，也减轻了渲染端的重复计算。
ReorgGS代码计划开源。了解方法与实验详情，请访问论文链接，或点击下方“阅读原文”。
ReorgGS:Equivalent Distribution Reorganization for 3D Gaussian Splatting
https://arxiv.org/abs/2605.08739
待后续公布
*画质数据来自作者实验记录，统计指标为PSNR；主对照在国际主流GPU上统一使用LiteGS进行额外30,000次优化，采用相同目标高斯数量与增密、剪枝、不透明度重置设置。图3为分组均值，不表示每个配置与场景组合均改善。随机初始化实验以100k个高斯训练30,000次后分支，再各训练30,000次。渲染计时引自论文，混合负载来自作者逐像素统计。
- 斩获AI顶会NeurIPS 2026！摩尔线程前沿成果ReorgGS：以极小工程改动，提升3DGS渲染画质与效率 – 2026年10月20日
- 健康中国的“数智答卷”：东软发布城市级数智健康管理解决方案，定义健康管理新范式 – 2026年10月20日
- 本地企业算力突围：众星微如何撬动国产AI互联市场 – 2026年10月19日