中关村学院GaussianPile：CVPR 2026切片式3DGS容积影像重建权威测评

3D Gaussian Splatting（3DGS）已成为三维视觉领域一项颠覆性的技术，它通过一组可优化的各向异性高斯来表征场景，在渲染速度与几何保真度之间建立了新的平衡，超越了传统体素与神经辐射场方法的局限。

然而，当应用场景转向医学影像与科学计算成像时，核心挑战随之而来：对于由超声、MRI或显微技术生成的一系列二维切片堆叠而成的三维容积数据，3DGS这套为自然场景表面设计的方法是否依然有效？

北京中关村学院与清华大学联合提出的GaussianPile框架，正是针对这一问题的解决方案。该框架旨在为切片式容积成像构建一个稀疏的高斯表示与重建系统，其核心是将传统的三维体素网格数据，转换为一组名为“3D Focus Gaussian”的基元。这一转换不仅实现了数据的高效压缩与快速渲染，更关键的是确保了内部解剖结构的准确重建，并支持后续的三维体素化定量评估。

• 论文标题：GaussianPile: A Unified Sparse Gaussian Splatting Framework for Slice-based Volumetric Reconstruction

• arXiv 地址：https://arxiv.org/abs/2603.20611

^{GaussianPile 与已有方法在质量、速度和训练时间上的对比}

为什么切片式容积成像需要新的表示

在生物医学成像领域，绝大多数三维数据并非一次性采集的完整体积，而是由序列二维切片堆叠构成。自动乳腺超声、光片显微成像、结构光显微以及部分MRI序列，都是典型的切片式容积数据。

这类数据表征面临三重核心挑战：

• 数据体量巨大：高分辨率三维图像导致存储与传输成本急剧上升。传统体素网格需要为每个空间位置显式分配存储，其开销随分辨率提升呈立方级增长。

• 切片物理特性建模缺失：真实成像系统产生的切片具有特定厚度与有限焦深，切片内每个像素的信号是该厚度范围内所有结构信号的积分贡献。这一物理特性在超声与光片显微成像中尤为关键，却常被忽略。

• 实时交互效率瓶颈：基于隐式神经表示的方法虽能实现较高压缩率，但其优化与查询过程耗时较长，更适合作为归档方案。对于需要实时浏览、快速访问或应用于手术导航等场景，渲染速度成为关键制约。

因此，GaussianPile的目标是构建一种新型表示：它需兼具3DGS的高效、紧凑与实时渲染优势，同时必须严格建模切片成像的物理过程，确保医学分析与科学研究所依赖的内部结构信息得以完整保留。

GaussianPile 的核心思想

GaussianPile最根本的创新，在于将切片成像中“有限厚度”这一物理约束，显式地整合到高斯渲染管线中。

标准3DGS面向自然场景表面渲染，默认相机为全焦模型，未考虑医学成像中沿切片方向的点扩散函数与焦深效应。若直接应用于切片数据，可能导致二维切片拟合良好，但三维内部结构严重失真或不可靠。

为此，GaussianPile引入了一个“焦点感知”的物理成像模型。具体而言，它将成像系统在切片方向上的灵敏度剖面（即点扩散函数）建模为一个有限厚度的响应函数，并将此物理响应与每个3D高斯的投影过程耦合。这使得靠近当前切片平面的高斯贡献增强，而处于离焦区域的高斯贡献自然衰减，从而精确模拟了实际成像的物理过程。

^{GaussianPile 的 focus-aware rendering pipeline}

整个焦点感知渲染流程可概括为三个步骤：

1. 扫描 (Scan)：在三维高斯表示空间中，沿深度方向对虚拟切片位置进行采样。

2. 聚焦 (Focus)：依据预设的切片厚度与系统焦深参数，对高斯进行轴向重参数化，并调制其离焦权重。

3. 堆叠 (Pile)：将经过聚焦调制后的高斯投影至二维切片平面，并采用“加性光栅化”来累积体积强度信号。

“加性光栅化”是实现物理准确渲染的关键。自然场景渲染依赖Alpha混合处理遮挡，但切片式医学成像的像素强度本质上是沿成像路径对体积信号的线积分。因此，GaussianPile采用加性累积来整合不同高斯对同一像素的贡献，这更符合容积成像的物理本质。

从体素到高斯：压缩之外，更重要的是可计算的三维表示

GaussianPile的目标远不止于数据压缩。它本质上是一个转换器，将离散的切片序列转化为一种“可计算”的连续三维中间表示。

在此表示中，每个高斯基元封装了位置、协方差（尺度与方向）、不透明度及强度等参数。由于高斯函数本身是连续的，单个高斯即可覆盖一片空间区域，因此无需像体素网格那样进行逐点存储。同时，GaussianPile移除了标准3DGS中用于建模视角相关外观的球谐系数，因为医学切片强度反映的是与视角无关的体积密度分布。

在压缩阶段，GaussianPile进一步利用了高斯参数在空间上的相关性，对位置、尺度、旋转及透明度等属性进行量化与熵编码。实验表明，相较于原始体素网格，GaussianPile能实现平均约16倍的稳定压缩，在部分数据集上压缩比可达20至26倍，同时仍能保持卓越的二维切片重建质量与三维结构一致性。

实验结果：在速度、质量和压缩率之间找到平衡

研究团队在自动乳腺超声、光片显微及多组细胞显微数据上对GaussianPile进行了全面评估，对比基线包括HEVC视频编码、基于INR/NeRF的隐式神经压缩方法以及适配后的原始3DGS。

结果显示，GaussianPile在多个数据集的二维与三维重建指标（PSNR/SSIM）上均表现领先。与HEVC相比，它能更好地保留细微的组织纹理与结构；与INR类方法相比，它在高频细节重建与优化速度上优势明显；而与直接适配的原始3DGS相比，它显著缓解了三维结构不一致与“漂浮伪影”等问题。

^{不同方法在超声和显微数据上的二维重建效果对比}

在效率方面，GaussianPile能在数分钟内达到高质量重建。论文报告的平均收敛时间约为8分钟，部分数据可在约3分钟内获得良好结果。相比需要长时间优化的INR/NeRF类方法，GaussianPile实现了最高约11倍的加速，同时保留了高斯表示固有的实时渲染能力。

^{三维重建结果对比。适配后的原始 3DGS 虽然可能拟合二维切片，但三维内部结构容易失真；GaussianPile 保持了更好的三维体结构一致性。}

除了常规医学与显微数据，团队还在电子显微等更大规模数据上进行了扩展实验。结果表明，GaussianPile在更高分辨率的体数据上仍保持良好的可扩展性与性能。这预示着该表示方法不仅适用于实验室样本，更有潜力服务于大规模科学成像数据的快速交互式分析与浏览。

^{在大型数据集上的可扩展性分析}

未来方向

展望未来，这项技术的一个关键潜在应用是机器人辅助手术。在此场景中，系统需要近乎实时地获取组织的三维结构，并完成对肿瘤、血管等关键区域的定位与理解。传统方案依赖更复杂的硬件阵列或机械扫描来提升三维成像质量，但这带来了成本、设备体积与扫描时间的压力。反之，若算法侧重建过程过慢，则难以融入“成像-理解-规划-执行”的实时手术闭环。

GaussianPile提供了一条折中的技术路径：在不改变底层成像硬件的前提下，将采集数据转换为紧凑、连续、可快速渲染的三维高斯表示。这一表示既可用于数据的快速浏览与高效压缩存储，也能进一步支持体素化评估、三维语义分割，以及未来可能发展的动态组织形变建模。

小结

GaussianPile试图解决一个交叉领域的核心问题：3DGS这种高效的三维表示方法，能否从自然场景成功迁移至具有明确物理约束的切片式容积成像？答案是肯定的，但绝非简单移植。其成功的关键在于，必须将真实成像系统中的有限切片厚度与焦深效应，显式地纳入高斯前向投影的建模过程。唯有如此，得到的表示才能不仅在二维切片上拟合良好，更能确保三维内部解剖结构的一致性。

从实验结果看，GaussianPile在重建质量、训练速度与数据压缩率之间取得了优异平衡。更重要的是，它将离散的体素网格，转化为了一种连续、稀疏且可交互的高斯表示，这为医学影像压缩、科学数据可视化，乃至手术机器人场景下的实时三维感知，开辟了一条切实可行的新路径。

来源：互联网