Mobile-GS: Real-time Gaussische Splatting voor Mobiele Apparaten

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

March 12, 2026

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

cs.AI

Samenvatting

3D Gaussian Splatting (3DGS) is naar voren gekomen als een krachtige representatie voor hoogwaardige rendering in een breed scala aan toepassingen. De hoge rekenkundige eisen en grote opslagkosten vormen echter aanzienlijke uitdagingen voor implementatie op mobiele apparaten. In dit werk stellen we een op mobiele apparaten afgestemde real-time Gaussian Splatting-methode voor, genaamd Mobile-GS, die efficiënte inferentie van Gaussian Splatting op edge-apparaten mogelijk maakt. Concreet identificeren we eerst alpha-blending als het primaire rekenkundige knelpunt, omdat dit afhankelijk is van het tijdrovende Gaussische dieptesorteerproces. Om dit probleem op te lossen, stellen we een dieptebewust, order-onafhankelijk renderingsschema voor dat de noodzaak voor sorteren elimineert, waardoor de rendering aanzienlijk wordt versneld. Hoewel deze order-onafhankelijke rendering de rendersnelheid verbetert, kan het transparantie-artefacten introduceren in gebieden met overlappende geometrie vanwege de schaarste aan rendervolgorde. Om dit probleem aan te pakken, stellen we een neurale view-dependent enhancement-strategie voor, die een nauwkeurigere modellering van view-dependent effecten mogelijk maakt, geconditioneerd op kijkrichting, 3D Gaussische geometrie en uiterlijkseigenschappen. Op deze manier kan Mobile-GS zowel hoogwaardige als real-time rendering bereiken. Verder introduceren we, om implementatie op mobiele platformen met beperkt geheugen te vergemakkelijken, first-order spherical harmonics-distillatie, een techniek voor neurale vectorkwantisatie, en een op bijdrage gebaseerde pruningstrategie om het aantal Gaussische primitieven te verminderen en de 3D Gaussische representatie te comprimeren met behulp van neurale netwerken. Uitgebreide experimenten tonen aan dat onze voorgestelde Mobile-GS real-time rendering en een compact modelformaat bereikt, terwijl een hoge visuele kwaliteit behouden blijft, wat het zeer geschikt maakt voor mobiele toepassingen.

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.