🔥 今日值得一读
显存不够也能训超大3D场景！新方法显存占用恒定，画质损失不到5%
ABCD: Alpha-Composited Block Coordinate Descent: Constant-VRAM Training for Large Radiance Fields
👨💼 主理人解读 · 为什么值得关注
通过分块训练和预渲染，大幅降低3D场景训练显存需求，适合大场景重建。
📖 AI 总结
该论文提出了一种名为ABCD（Alpha-Composited Block Coordinate Descent）的框架，用于在显存受限的GPU上训练大规模辐射场，特别是3D高斯泼溅模型。其核心思路是将训练过程重构为对空间分区的块坐标下降，每次仅激活一个参数块，其余块保持冻结。利用alpha混合的结合性，非活跃区域可被预渲染并压缩为前景和背景RGBA图像，从而在固定分区大小和图像分辨率下，将峰值显存需求从随场景规模增长变为常数级O(1)。实验表明，该方法在显著降低显存占用的同时，重建质量与原始3DGS接近，PSNR下降不到5%，而消融了合成步骤的版本则损失约40%。该工作为在有限硬件资源上训练大规模场景提供了可行方案。
🔑 关键词速览
| Alpha-Composited Block Coordinate Descent (ABCD) | 一种结合alpha合成与块坐标下降的训练框架，通过分块处理降低显存需求。 |
| 3D Gaussian Splatting (3DGS) | 一种基于3D高斯分布的场景表示与渲染方法，常用于辐射场重建。 |
| Out-of-core training | 一种训练技术，允许处理超出GPU显存容量的数据，通过分块或流式处理实现。 |
| Block Coordinate Descent | 一种优化算法，每次迭代仅更新参数的一个子集，其余保持固定。 |
| Alpha blending | 一种图像合成技术，通过透明度（alpha值）混合前景和背景像素。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅