自 2023 年《3D Gaussian Splatting for Real-Time Rendering of Radiance Fields》横空出世以来，3DGS（3D Gaussian Splatting）迅速成为三维重建与新视角合成领域最受关注的技术路线之一。相比传统 NeRF，3DGS 在渲染速度和视觉质量上取得了突破性进展，使实时高保真三维场景重建成为可能。然而，随着研究和产业应用的快速增长，一个新的问题逐渐浮现：原始实现对显存和计算资源要求较高，训练效率和工程可扩展性有限，研究者往往需要投入大量时间进行底层优化，才能将其应用于更复杂的场景和任务。
近日，由加州大学伯克利分校（UC Berkeley）、NVIDIA、上海科技大学、Amazon、Meta 等机构联合开发的开源项目 gsplat，为这一问题提供了新的解决方案。作为一个专门面向 Gaussian Splatting 方法训练与开发的基础库，gsplat 在保留原始 3DGS 渲染质量的同时，对底层训练框架进行了系统性重构和优化，成为当前 Gaussian Splatting 生态中最重要的基础设施之一。
从架构设计来看，gsplat 采用前后端分离方案：前端提供与 PyTorch 深度集成的 Python 接口，方便研究人员快速开发和实验；后端则基于高度优化的 CUDA Kernel，实现高性能可微分光栅化计算。官方实验结果显示，相比原始实现，gsplat 最多可节省 4 倍 GPU 显存，并将训练时间缩短约 10%~15%，显著降低了大规模场景训练的资源门槛。
除了性能提升外，gsplat 还引入了自适应高斯密度控制机制，可在训练过程中自动增删高斯点，实现更加高效的场景表达；同时支持 COLMAP、SfM 点云以及 LiDAR 点云等多种数据来源，并内置实时 Web Viewer，方便用户直接在浏览器中查看和交互三维场景。
目前，HyperAI（hyper.ai）的教程版块已上线「Gsplat 3D 高斯泼溅训练与可视化」，降低部署门槛，助力快速验证模型 ⬇️
在线运行：Training and Visualization of Gsplat 3D Gaussian Splatting | Notebooks | HyperAI
Demo 示例
更多在线教程：
Notebooks | HyperAI
Demo 运行
1.进入 hyper.ai 首页后，选择「教程」页面，或点击「查看更多教程」，选择「Gsplat 3D 高斯泼溅训练与可视化」，点击「运行此教程」。
2.页面跳转后，点击右上角「Clone」，将该教程克隆至自己的容器中。
注：页面右上角支持切换语言，目前提供中文及英文两种语言，本教程文章以英文为例进行步骤展示。
3.选择「NVIDIA RTX 5090」以及「PyTorch」镜像，点击「Continue job execution（继续执行）」。
4.等待分配资源，当状态变为「Running（运行中）」后，点击「Open Workspace」进入 Jupyter Workspace。
效果展示
1.页面跳转后，点击左侧 README 文件，进入后点击上方 Run（运行）。
2.待运行完毕后，点击右侧 API 地址即可打开 Demo 界面。