在3D高斯潑濺（3DGS）技術中，自適應密度控制透過固定數量的隨機分割來不斷增長高斯分佈，以發現場景中的幾何結構。然而，原始的二元分割運算元需要大量的密集化迭代才能暴露精細細節，這成為訓練效率的瓶頸。為了解決這一問題，研究人員提出了AdpSplit——一種誤差驅動的自適應分割運算元。
AdpSplit的核心創新在於，它利用L1畫素誤差區域的統計資訊來動態決定分割子體的數量，並初始化子體的引數。具體來說，AdpSplit會計算每個高斯分佈覆蓋區域的畫素誤差，根據誤差的分佈情況，自適應地選擇分割成幾個子體，而不是固定為兩個。這樣，在誤差較大的區域，可以生成更多子體以增加細節，而在誤差較小的區域，則生成較少的子體，避免了不必要的計算。這種自適應策略使得密集化迭代次數顯著減少，從而縮短了訓練時間，同時保持了全計劃訓練的渲染質量。
實驗在三個標準資料集上進行：MipNeRF360、Deep-Blending和Tanks&Temples。結果表明，AdpSplit作為標準分割運算元的直接替換，可將多種加速3DGS管道的訓練時間減少9.2%至22.3%。例如，在與FastGS結合時，AdpSplit在MipNeRF360資料集上達到了與全計劃訓練相同的峰值訊雜比（PSNR），同時將訓練時間減少了16.4%，相當於比原始的3DGS加速了12.6倍。這一成果表明，AdpSplit在不犧牲質量的前提下，顯著提升了訓練效率。
AdpSplit的提出對於神經渲染領域具有重要意義。它不僅減少了訓練時間，使得3DGS更適用於即時應用，如虛擬現實和增強現實，還為後續的研究提供了新的思路。未來，該方法有望被整合到更多的3DGS框架中，進一步推動高效幾何發現技術的發展。該研究由Yongjae Lee等人完成，論文已發表於arXiv，程式碼預計將開源。AdpSplit的誤差驅動自適應分割策略為3DGS的訓練最佳化開闢了新的方向。