在3D高斯泼溅（3DGS）技术中，自适应密度控制通过固定数量的随机分割来不断增长高斯分布，以发现场景中的几何结构。然而，原始的二元分割算子需要大量的密集化迭代才能暴露精细细节，这成为训练效率的瓶颈。为了解决这一问题，研究人员提出了AdpSplit——一种误差驱动的自适应分割算子。
AdpSplit的核心创新在于，它利用L1像素误差区域的统计信息来动态决定分割子体的数量，并初始化子体的参数。具体来说，AdpSplit会计算每个高斯分布覆盖区域的像素误差，根据误差的分布情况，自适应地选择分割成几个子体，而不是固定为两个。这样，在误差较大的区域，可以生成更多子体以增加细节，而在误差较小的区域，则生成较少的子体，避免了不必要的计算。这种自适应策略使得密集化迭代次数显著减少，从而缩短了训练时间，同时保持了全计划训练的渲染质量。
实验在三个标准数据集上进行：MipNeRF360、Deep-Blending和Tanks&Temples。结果表明，AdpSplit作为标准分割算子的直接替换，可将多种加速3DGS管道的训练时间减少9.2%至22.3%。例如，在与FastGS结合时，AdpSplit在MipNeRF360数据集上达到了与全计划训练相同的峰值信噪比（PSNR），同时将训练时间减少了16.4%，相当于比原始的3DGS加速了12.6倍。这一成果表明，AdpSplit在不牺牲质量的前提下，显著提升了训练效率。
AdpSplit的提出对于神经渲染领域具有重要意义。它不仅减少了训练时间，使得3DGS更适用于实时应用，如虚拟现实和增强现实，还为后续的研究提供了新的思路。未来，该方法有望被整合到更多的3DGS框架中，进一步推动高效几何发现技术的发展。该研究由Yongjae Lee等人完成，论文已发表于arXiv，代码预计将开源。AdpSplit的误差驱动自适应分割策略为3DGS的训练优化开辟了新的方向。