GCL学术成果：CVPR 2026-PDEO：给3D高斯装上“稳定器”，即插即用重塑3DGS优化新范式
近日，CVPR 2026接收成果出炉，来自中国科学技术大学数学科学学院GCL实验室的刘利刚老师、蔡有城老师及莫易凡同学提出一种新的3D高斯优化组件——PDEO。该方法从偏微分方程（PDE）的角度优化了3DGS重建过程，实现了复杂场景下的高精度3DGS重建。这一工作作为一个即插即用的优化组件，可以适用于现有的3DGS重建方法，不仅提升了3DGS的渲染和几何质量，更为高质量3DGS重建提供了全新的思考角度。
图1. PDEO的重建结果
行业困局：精度与稳定，为何始终无法兼得？
3DGS凭借海量高斯球拟合三维场景的特性，实现了远超传统NeRF方案的实时渲染效率，成为三维重建领域的主流。但在高频纹理、复杂几何的高难度重建任务中，两个致命问题始终如影随形：画面模糊（Blurring）与漂浮伪影（Floaters），直接锁死了其在复杂场景上的重建上限。
图2. 传统3DGS优化中常见的模糊（Blurring）与伪影（Floaters）问题
面对这一行业难题，现有解决方案始终走不出两个无法闭环的怪圈：
1.经验调参的“救火式”修补：这类方法依赖手动调整学习率、裁剪梯度、增加经验性正则项来抑制噪声。但由于缺乏统一的底层理论支撑，本质上是靠试错的启发式策略，既无法解释优化失稳的深层机理，也做不到对梯度优化的精准控制，并且不和避免存在信息损失，最终往往收敛于局部最优解。
2.伤筋动骨的“结构性改造”：部分方案尝试修改高斯球的拓扑结构，或在训练后引入去噪算法修补瑕疵。但这类做法不仅直接破坏了3DGS原生的简洁性与极致的渲染效率，还往往以牺牲高频几何细节为代价，更无法从根源上解决梯度失衡导致的优化轨迹发散问题。
破局核心：回归数学本质，找到优化失稳的“病根”
面对行业困局，项目团队没有走“打补丁”的老路，而是回归数学本质，对3DGS优化过程中的梯度机制做了完整的理论拆解，最终锁定了导致优化失稳的核心元凶。
团队通过对3DGS属性参数（位置参数μᵢ、颜色参数cᵢ、置信度参数σᵢ、尺度参数sᵢ、旋转参数r_{q,i}）的梯度计算发现：3DGS的位置参数在更新过程中极易发生突变。优化过程中，模型会倾向于挪动小高斯的属性去拟合场景，直接打乱了其他高斯参数的正常优化，最终导致整个优化轨迹彻底发散，模糊与伪影就此产生。
找到了病根，解决方案也就有了明确的方向：既然离散的梯度下降过程不可控，那能不能把它转化为一个可精准调控的数学方程？
核心方案：PDEO组件，把优化过程变成可解的偏微分方程
基于这一核心洞察，团队提出了PDEO（PDE Optimization）优化组件，核心逻辑是：把3DGS原本离散、不可控的梯度下降迭代过程，重构为一个简洁的偏微分方程（PDE），通过PDE方程来精准调控优化过程，让3DGS的优化从“野蛮生长”变为“可控稳定演化”。
图3. PDEO方法框架
1. 方程重构：给梯度加上“粘性稳定器”
团队通过严谨的理论推导，完成了从“迭代优化过程”到“偏微分方程”的完美转换，也最终证实：原有优化方程中梯度项的剧烈震荡，是绝大多数模糊与伪影的核心成因。对此，团队在推导出的PDE中引入了粘性调控项。这一项就像流体力学中的粘滞力，在不改变最终收敛目标的前提下，精准平滑了梯度的高频震荡，构造出数值性质更稳定的新方程，从底层掐灭了优化失稳的苗头。
2. 高效求解：MPM粒子-网格协同，全局稳控+细节拉满
面对修正后的复杂偏微分方程，团队引入物质点法（Material Point Method, MPM） 作为求解算法，打造了一套兼顾全局稳定性与局部细节精度的更新机制：
● 粒子-网格双向协同：MPM结合了拉格朗日粒子（高斯球）与欧拉背景网格的双重优势，先通过「粒子到网格（P2G）」将局部剧烈的梯度投射到全局网格上做平滑处理，再通过「网格到粒子（G2P）」将平滑后的稳定速度场，反馈指导每个3D高斯球的参数更新。
● 全局梯度引导与噪声抑制：这套机制不仅实现了理论上的粘性约束，更在数值计算层面构建了一个全局感知的阻尼场，把原本杂乱无章的梯度流动转化为有序、稳定的演化轨迹，既彻底抑制了导致伪影的不稳定梯度，又完整保留了场景的高频几何细节，完美解决了“稳定与精度不可兼得”的行业难题。
极致打磨：三重优化策略，把重建精度拉到满格
为了让重建效果达到极致，团队在PDEO组件中集成了三项针对性的约束策略，从细节上堵上所有精度漏洞：
● 尺度一致性约束：强制高斯球保持较小的尺度，既贴合PDE中粒子的物理假设，也避免大尺度高斯球抹平高频纹理细节，牢牢守住画面的锐度与清晰度。
● 置信度优化：引入专属损失函数，惩罚半透明的高斯球，推动它们趋向于完全透明或完全不透明，彻底消除重建画面的朦胧感，让几何边界更清晰锐利。
● 改进的致密化策略：借助MPM计算出的速度场方向信息，动态指导高斯球的克隆与分裂——仅在误差较大且梯度稳定的区域增加细节，从根源上减少高斯球的冗余生长，兼顾精度与渲染效率。
硬核成果：即插即用，直接刷新3DGS重建SOTA
实验结果证明，PDEO的效果堪称惊艳。作为一款纯即插即用的优化器，它无需修改3DGS的任何原生网络架构，仅通过替换底层的优化方程求解过程，就在多个主流基准数据集上，直接刷新了3DGS重建的最先进水平（SOTA）。在峰值信噪比（PSNR）、结构相似性（SSIM）等核心画质指标上，PDEO均展现出显著优势。尤其是在高频纹理、复杂几何的高难度场景中，该方法彻底根除了传统优化策略下常见的模糊边界与非真实伪影，重建出几何结构严谨、纹理清晰锐利的高质量三维场景。更关键的是，这一过程完整保留了3DGS原生的实时渲染效率，真正实现了性能与效率的双向突破。
图4. 渲染结果对比
图5. 几何结果对比
范式革新：不止于3DGS，打开深度学习优化的全新思路
PDEO的核心价值，远不止于给3DGS做了一次“性能升级”。它最大的贡献，是提出了一套全新的研究范式：将深度学习中的优化问题显式地建模为偏微分方程，并通过方程设计来精准引导模型训练。
这套思路彻底打破了以往深度学习优化依赖经验调参、启发式规则的局限，为理解和分析神经辐射场的优化动力学提供了坚实的数学基础。它不仅解决了3DGS的行业顽疾，更为未来设计更稳定、更高效的神经渲染算法开辟了全新的道路——当复杂的优化行为被纳入可控的数学方程框架，研究者可以更直观、更精准地设计算法行为，推动三维视觉技术向更高精度、更强鲁棒性的工业级落地持续迈进。
论文发表
该工作已被计算机视觉顶级会议CVPR 2026录用。CVPR是计算机视觉与模式识别领域的顶级国际会议（CCF-A类），2026年录用率约为25.42%。
论文原文
论文标题：Plug-and-Play PDE Optimization for 3D Gaussian Splatting: Toward High-Quality Rendering and Reconstruction
作者：莫易凡，蔡有城，刘利刚
单位：中国科学技术大学