Mobile-GS: Gaussian Splatting in Tempo Reale per Dispositivi Mobili

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

March 12, 2026

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

cs.AI

Abstract

Il Gaussian Splatting 3D (3DGS) è emerso come una potente rappresentazione per il rendering di alta qualità in un'ampia gamma di applicazioni. Tuttavia, le sue elevate esigenze computazionali e gli ingenti costi di memorizzazione pongono sfide significative per la distribuzione su dispositivi mobili. In questo lavoro, proponiamo un metodo di Gaussian Splatting in tempo reale ottimizzato per il mobile, denominato Mobile-GS, che consente un'inferenza efficiente del Gaussian Splatting su dispositivi edge. Nello specifico, identifichiamo innanzitutto l'alpha blending come il principale collo di bottiglia computazionale, poiché si basa sul processo di ordinamento per profondità dei Gaussian, che richiede tempo. Per risolvere questo problema, proponiamo uno schema di rendering indipendente dall'ordine e consapevole della profondità che elimina la necessità di ordinamento, accelerando sostanzialmente il rendering. Sebbene questo rendering indipendente dall'ordine migliori la velocità, può introdurre artefatti di trasparenza nelle regioni con geometria sovrapposta a causa della scarsità dell'ordine di rendering. Per affrontare questo problema, proponiamo una strategia di enhancement neurale dipendente dalla vista, che consente una modellazione più accurata degli effetti vista-dipendenti condizionata dalla direzione di visualizzazione, dalla geometria dei Gaussian 3D e dagli attributi di aspetto. In questo modo, Mobile-GS può raggiungere sia un rendering di alta qualità che in tempo reale. Inoltre, per facilitare la distribuzione su piattaforme mobili con memoria limitata, introduciamo anche una distillazione sferica di armoniche del primo ordine, una tecnica di quantizzazione vettoriale neurale e una strategia di pruning basata sul contributo per ridurre il numero di primitive Gaussian e comprimere la rappresentazione 3D dei Gaussian con l'assistenza di reti neurali. Esperimenti estensivi dimostrano che il nostro Mobile-GS proposto raggiunge un rendering in tempo reale e dimensioni del modello compatte, preservando al contempo un'elevata qualità visiva, rendendolo adatto per applicazioni mobili.

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.