TruncGradGS：用截断梯度更新改进 3D高斯泼溅优化
研究提出分段截断梯度方案，缓解优化中的梯度消失问题，在静态和动态 3D高斯泼溅场景中均提升重建效果，并引入新的合成动态场景基准数据集。
AI解读：3D高斯泼溅训练时，远离某个高斯原语的像素往往梯度很小，导致这些原语的属性很难被更新，最终场景重建效果不佳。这项研究针对这个“梯度消失”问题，提出一种分段截断的梯度公式，让优化更稳定、受初始化方式的影响更小。作者在摘要中报告，该方法在随机初始化和COLMAP初始化下都稳定提升了静态与动态 3D高斯泼溅的重建质量。同时，他们指出现有动态场景基准存在局限，并为此创建了基于合成 3D场景的新数据集。如果你在使用 3D高斯泼溅进行新视角合成，可能遇到过大场景或长尾区域重建不精细的情况，这项方法提供了一种不改变整体框架、只调整梯度更新方式的改进思路；不过目前只有摘要，缺少定量对比和可复现代码，实际提升幅度与适用边界还需等待论文全文和后续评测。
arXiv论文 2609.03534v1提出TruncGradGS，用分段截断梯度公式应对 3D高斯泼溅优化中的梯度消失问题。作者报告，该方法在随机和COLMAP初始化下均一致改进 3D高斯泼溅重建，且适用于静态与动态场景；论文被Pacific Graphics 2026接收。
论文由Theo Morales、Nhat-Quynh Le-Pham、Robin Atkins、Binh-Son Hua撰写。作者认为，3D高斯泼溅已是新视角合成的事实标准，但标准梯度优化存在“梯度消失”：远离某高斯原语的像素，其梯度幅值往往过小，难以影响该原语属性，导致次优重建。
方法与验证
TruncGradGS采用分段截断的梯度公式，作者称其能提升优化稳定性与对初始化的鲁棒性，方法可泛化到静态和动态 3D高斯泼溅。
作为附带成果，论文审视了现有动态场景基准的局限，并引入一个用合成 3D场景构建的动态高斯泼溅基准数据集。作者称，已在公开基准和其提出的数据集上验证了方法在静态与动态场景中的有效性。
- 论文发表于arXiv，类别为计算机视觉与模式识别（cs.CV）、人工智能（cs.AI）与图形学（cs.GR）。
- 提交历史显示v1于 2026 年 9 月 3 日发布。
- DOI: 10.48550/arXiv.2609.03534（注册中）。