Mobile-GS: Renderização por Esplatamento Gaussiano em Tempo Real para Dispositivos Móveis

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

March 12, 2026

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

cs.AI

Resumo

O 3D Gaussian Splatting (3DGS) emergiu como uma representação poderosa para renderização de alta qualidade em uma ampla gama de aplicações. No entanto, suas altas demandas computacionais e elevados custos de armazenamento representam desafios significativos para implantação em dispositivos móveis. Neste trabalho, propomos um método de Gaussian Splatting em tempo real adaptado para móveis, denominado Mobile-GS, permitindo inferência eficiente de Gaussian Splatting em dispositivos de borda. Especificamente, primeiro identificamos a mistura alfa (alpha blending) como o principal gargalo computacional, uma vez que esta depende do processo demorado de ordenação por profundidade dos Gaussianos. Para resolver este problema, propomos um esquema de renderização independente de ordem e consciente da profundidade, que elimina a necessidade de ordenação, acelerando substancialmente a renderização. Embora esta renderização independente de ordem melhore a velocidade, ela pode introduzir artefatos de transparência em regiões com geometria sobreposta devido à escassez da ordem de renderização. Para abordar este problema, propomos uma estratégia neural de aprimoramento dependente da visada (view-dependent), permitindo uma modelagem mais precisa de efeitos dependentes da visada condicionados pela direção de visualização, geometria do Gaussiano 3D e atributos de aparência. Desta forma, o Mobile-GS pode alcançar renderização tanto de alta qualidade quanto em tempo real. Adicionalmente, para facilitar a implantação em plataformas móveis com restrições de memória, também introduzimos a destilação de harmônicos esféricos de primeira ordem, uma técnica de quantização vetorial neural, e uma estratégia de poda baseada em contribuição para reduzir o número de primitivas Gaussianas e comprimir a representação Gaussiana 3D com a assistência de redes neurais. Experimentos extensivos demonstram que o nosso Mobile-GS proposto alcança renderização em tempo real e tamanho de modelo compacto, preservando alta qualidade visual, tornando-o bem adequado para aplicações móveis.

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.