Mobile-GS: Representación Gaussiana en Tiempo Real para Dispositivos Móviles

Mobile-GS: Real-time Gaussian Splatting for Mobile Devices

March 12, 2026

Autores: Xiaobiao Du, Yida Wang, Kun Zhan, Xin Yu

cs.AI

Resumen

El Splatting Gaussiano 3D (3DGS) ha surgido como una representación potente para renderizado de alta calidad en una amplia gama de aplicaciones. Sin embargo, sus altas demandas computacionales y grandes costos de almacenamiento plantean desafíos significativos para su implementación en dispositivos móviles. En este trabajo, proponemos un método de Splatting Gaussiano en tiempo real adaptado para móviles, denominado Mobile-GS, que permite la inferencia eficiente de Splatting Gaussiano en dispositivos de borde. Específicamente, primero identificamos la mezcla alfa (alpha blending) como el principal cuello de botella computacional, ya que depende del proceso de ordenación por profundidad de los gaussianos, que consume mucho tiempo. Para resolver este problema, proponemos un esquema de renderizado independiente del orden y consciente de la profundidad que elimina la necesidad de ordenar, acelerando sustancialmente el renderizado. Aunque este renderizado independiente del orden mejora la velocidad, puede introducir artefactos de transparencia en regiones con geometría superpuesta debido a la escasez de orden de renderizado. Para abordar este problema, proponemos una estrategia de mejora neuronal dependiente de la vista, que permite un modelado más preciso de los efectos dependientes de la vista condicionados por la dirección de visualización, la geometría gaussiana 3D y los atributos de apariencia. De esta manera, Mobile-GS puede lograr un renderizado tanto de alta calidad como en tiempo real. Además, para facilitar la implementación en plataformas móviles con memoria limitada, también introducimos la destilación de armónicos esféricos de primer orden, una técnica de cuantización vectorial neuronal, y una estrategia de poda basada en la contribución para reducir el número de primitivas gaussianas y comprimir la representación gaussiana 3D con la ayuda de redes neuronales. Experimentos exhaustivos demuestran que nuestro Mobile-GS propuesto logra un renderizado en tiempo real y un tamaño de modelo compacto, preservando al mismo tiempo una alta calidad visual, lo que lo hace muy adecuado para aplicaciones móviles.

English

3D Gaussian Splatting (3DGS) has emerged as a powerful representation for high-quality rendering across a wide range of applications.However, its high computational demands and large storage costs pose significant challenges for deployment on mobile devices. In this work, we propose a mobile-tailored real-time Gaussian Splatting method, dubbed Mobile-GS, enabling efficient inference of Gaussian Splatting on edge devices. Specifically, we first identify alpha blending as the primary computational bottleneck, since it relies on the time-consuming Gaussian depth sorting process. To solve this issue, we propose a depth-aware order-independent rendering scheme that eliminates the need for sorting, thereby substantially accelerating rendering. Although this order-independent rendering improves rendering speed, it may introduce transparency artifacts in regions with overlapping geometry due to the scarcity of rendering order. To address this problem, we propose a neural view-dependent enhancement strategy, enabling more accurate modeling of view-dependent effects conditioned on viewing direction, 3D Gaussian geometry, and appearance attributes. In this way, Mobile-GS can achieve both high-quality and real-time rendering. Furthermore, to facilitate deployment on memory-constrained mobile platforms, we also introduce first-order spherical harmonics distillation, a neural vector quantization technique, and a contribution-based pruning strategy to reduce the number of Gaussian primitives and compress the 3D Gaussian representation with the assistance of neural networks. Extensive experiments demonstrate that our proposed Mobile-GS achieves real-time rendering and compact model size while preserving high visual quality, making it well-suited for mobile applications.