三维高斯溅射（3D Gaussian Splatting, 3DGS）作为一种新兴的三维场景表示与新视角合成技术，近年来在计算机视觉和图形学领域引起了广泛关注。该技术通过使用数百万个可学习的三维高斯基元来显式表达场景，并结合高效的可微分渲染管线，实现了前所未有的实时渲染速度和照片级的视觉质量。相较于先前主流的基于神经网络辐射场（NeRF）的隐式方法，3DGS 在渲染效率上取得了革命性突破，避免了 NeRF 中耗时的体积渲染采样过程。凭借这些优势，3DGS 被迅速应用于各种下游任务，包括场景重建、虚拟现实、机器人学、自动驾驶、数字人以及三维内容生成等。
然而，标准的 3DGS 方法在取得卓越成就的同时，也面临着严峻的效率挑战，尤其是在模型优化（训练）阶段。为了达到高保真度的重建效果，标准 3DGS 通常需要优化数百万个高斯基元，并且其优化过程包含一个复杂且耗时的“自适应密度控制”（Adaptive Density Control, ADC）环节，特别是其中的“致密化”（Densification）步骤。这一过程不仅显著增加了训练时间（通常需要数十分钟甚至数小时），还导致了巨大的内存和存储开销（模型文件可达数百兆字节），限制了其在资源受限设备（如移动设备、边缘计算平台、AR/VR 头显）上的部署和应用。渲染速度与训练/存储成本之间的巨大差距，成为了推动 3DGS 效率优化研究的核心驱动力。
EDGS 方法
EDGS 旨在解决的问题
EDGS 方法的核心目标是解决标准 3DGS 中固有缓慢且迭代的致密化过程所带来的效率问题。标准 3DGS 的流程通常始于由运动恢复结构（Structure-from-Motion, SfM）算法产生的稀疏点云，然后通过迭代优化和致密化（即在高斯基元梯度较大的区域进行分裂或克隆操作）来逐步精化场景表示，填补欠重建区域。
EDGS 的研究者指出，这种标准的增量式致密化方法存在以下关键弊端：
- 过程缓慢（Slowness）: 致密化过程需要大量的优化迭代。高斯基元必须反复调整其参数（位置、形状、颜色等），模型才能判断哪些区域需要增加新的基元。这导致了一个漫长的优化路径。致密化操作本身虽然计算效率尚可，但整个迭代发现和填充细节的过程拖慢了整体收敛速度，因为模型需要等待足够多的迭代才能识别出需要更高重建保真度的区域。
- 收敛延迟（Delayed Convergence）: 由于模型需要“等待”并“发现”何处需要添加细节，这本质上是低效的。研究者通过一个生动的类比指出，这种迭代精化的方式类似于艺术家创作（先勾勒轮廓再添加细节），但这与相机一次性捕捉所有光线信息的工作方式不同。等待模型自行发现细节的过程延迟了收敛。
- 次优质量（Suboptimal Quality）: 增量式的方法可能导致最终渲染质量并非最优，尤其是在包含丰富细节和复杂纹理的高频区域，标准 3DGS 及其它方法常常难以处理。
EDGS 正是为了克服上述标准 3DGS 致密化过程带来的速度慢、收敛延迟和潜在的质量瓶颈而提出的。
EDGS 核心方法：基于三角化稠密对应的密集初始化
面对标准 3DGS 的挑战，EDGS 提出了一种“根本上不同的方法”：完全消除致密化过程。其核心机制是通过利用跨多个输入视图的稠密图像对应关系进行像素三角化，实现场景几何的一步近似。
具体流程如下：
- 稠密对应计算: EDGS 首先在输入的训练图像对之间计算稠密的二维（2D）像素对应关系。这与传统方法依赖 SfM 产生的稀疏关键点形成对比。
- 三角化恢复三维位置: 已知每个对应像素的观察射线方向和相机的精确位姿（但不知道沿射线的深度），EDGS 通过三角化匹配的像素对来恢复这些像素对应的三维（3D）空间位置。这是一个经典的计算机视觉几何问题，利用多视图几何约束来估计点的 3D 坐标。
- 密集高斯基元预计算: 通过对所有找到的稠密对应进行三角化，EDGS **预先计算出一个密集的 3D 高斯基元集合。这个集合旨在直接近似场景的几何形状，并保留输入 RGB 图像中的丰富细节。
- 高斯参数初始化: 对于每个通过三角化生成的 3D 点，EDGS 会为其分配一个高斯基元，并从一开始就赋予其充分信息的初始属性，包括：
- 位置 (Position): 直接使用三角化得到的 3D 坐标。
- 颜色 (Color): 利用对应 2D 像素的 RGB 颜色信息进行初始化，例如取平均值或根据某种策略选择。
- 尺度/协方差 (Scale/Covariance): 根据图像信息进行初始化。虽然具体机制未详述，但可能与三角化的重投影误差、对应点距离或局部图像梯度有关，目的是提供一个初始的大小和方向估计。
通过这种方式，EDGS 用一个密集的、预先计算好的高斯集合替换了标准 3DGS 中缓慢、迭代的致密化过程。每个高斯基元从优化开始就受到丰富的、来自对应像素的光度信号的直接监督，使得整个集合能够被高效地优化，从而显著加速收敛。
EDGS 的关键创新与贡献
EDGS 的核心创新和主要贡献可以总结为以下几点：
- 彻底消除致密化: 最根本的创新在于用直接的密集初始化完全取代了标准 3DGS 中迭代式的致密化步骤（分裂与克隆） 。
- 基于稠密对应的初始化策略: 采用稠密对应而非稀疏关键点进行初始化，确保了即使在标准 3DGS 难以处理的高频区域也能获得均匀的细节覆盖。
- 显著缩短优化路径: 通过提供一个更接近最终状态的密集且信息丰富的初始化，EDGS 极大地减少了每个高斯基元在参数空间中需要移动的距离，从而显著缩短了优化路径。实验表明，最终坐标位移减少了 50 倍，坐标总路径长度缩短了 30 倍。
- 并行化初始化: 所有的高斯基元在优化开始时并行初始化，消除了标准致密化中需要等待模型调整现有基元才能添加新基元的串行依赖和等待时间。
- 高质量与高效率: EDGS 不仅在训练效率上超越了速度优化的模型，而且在渲染质量上优于现有先进方法，同时使用的基元数量仅为标准 3DGS 的一半左右。
- 兼容性: EDGS 方法与其他 3DGS 加速技术完全兼容。由于其主要改进在于初始化阶段，并未根本改变高斯表示或渲染管线，因此可以灵活地集成到现有的加速框架中，作为一种通用的效率提升方案。
EDGS 实验结果概览
根据论文及其项目页面的信息，EDGS 在实验中展现出显著的优势：
- 效率: 收敛速度比标准 3DGS 快约 10 倍。对于前向视角视频等场景，包含稠密对应计算的一次性成本在内，可在 10-20 秒内完成训练。训练效率优于其他以速度优化为目标的模型。
- 质量: 最终渲染质量（如 PSNR, SSIM, LPIPS 等指标衡量）高于标准 3DGS 及其他先进方法。在包含复杂纹理和几何结构的区域，保真度更高。
- 紧凑性: 达到同等或更高质量时，使用的 3D 高斯基元数量仅为标准 3DGS 的一半左右。
EDGS 的方法论体现了一种范式转变：从标准 3DGS 的“被动式精化”（等待误差或梯度信号触发致密化）转向了“主动式近似”。它假设现代的稠密对应算法已经足够强大，能够提供一个足够精确的初始几何支架，从而绕过模型迭代“发现”场景结构的需要。这种策略如果成功，就能通过更好的初始化直接达到或接近最终目标，避免了低效的探索和调整过程，自然地带来更快的收敛速度。同时，由于初始化更接近真实表面，所需的基元数量也可能更少，并且最终的优化结果可能落入一个更好的局部最优，从而获得更高的渲染质量。这种对初始化阶段的侧重，也解释了其与其他主要作用于优化或渲染阶段的加速技术的兼容性。
标准三维高斯溅射（3DGS）工作流程解析
为了更好地理解 EDGS 的创新之处，有必要先深入了解标准 3DGS 的工作流程，特别是其核心的自适应密度控制（ADC）机制。
标准 3DGS 工作流程概述
标准的 3DGS 方法旨在从多视图图像中高效地学习场景的三维表示并实现高质量的新视角合成。其主要流程包括以下步骤：
- 初始化 (Initialization):
- 通常从稀疏的三维点云开始，这些点云一般是通过对输入图像运行运动恢复结构 (SfM) 算法免费获得的 。
- 每个 SfM 点被初始化为一个 3D 高斯基元，并赋予初始的属性值（如位置、接近零的协方差、平均颜色等）。在某些数据集（如 NeRF-Synthetic）上，随机初始化也能取得较好效果。
- 场景表示 (Representation):
- 整个三维场景被显式地表示为大量（通常是数百万个）3D 高斯基元的集合。
- 每个高斯基元 Gk 由一组可学习的参数定义，通常包括：
- 中心位置 (Mean): μk∈R3
- 协方差矩阵 (Covariance): Σk∈R3×3。为了保证正半定性并便于优化，通常将其分解为一个缩放因子向量 sk∈R3 和一个表示旋转的四元数 qk 。协方差矩阵决定了高斯基元的形状和大小（各向异性）。
- 不透明度 (Opacity): αk∈R，控制基元的透明度。
- 视角相关颜色 (View-dependent Color): 通常使用球谐函数 (Spherical Harmonics, SH) 系数 fk 来表示，使得基元从不同方向观察时呈现不同的颜色。
- 优化 (Optimization):
- 使用随机梯度下降 (SGD) 或其变种 (如 Adam) 来优化所有高斯基元的参数。
- 优化的目标是最小化渲染图像与对应的真实训练图像之间的差异。损失函数通常结合了 L1 损失和结构相似性指数 (D-SSIM) 损失。
- 优化过程与自适应密度控制 (ADC) 交错进行。
- 渲染 (Rendering):
- 采用一种高效的可微分光栅化器 (Tile-based Rasterizer) 。
- 对于给定的新视角，首先将所有 3D 高斯基元投影到该视角的 2D 图像平面上，形成 2D 高斯。投影过程考虑了透视变换和仿射近似。
- 然后，对于图像中的每个像素，收集所有覆盖该像素的 2D 高斯基元。
- 将这些覆盖像素的基元按照深度进行排序。
- 最后，使用 alpha 合成 (Alpha Blending) 的方式，从前到后依次混合这些基元的颜色和不透明度，得到该像素的最终颜色。
- 这个基于光栅化的渲染过程避免了 NeRF 中逐点采样和体积渲染的巨大计算开销，是 3DGS 实现实时渲染的关键。
标准 3DGS 致密化过程的挑战与弊端
尽管自适应密度控制（ADC）及其致密化步骤是标准 3DGS 成功的关键因素之一，但这个过程本身也引入了一系列挑战和固有的弊端，这些正是 EDGS 及其他效率优化方法试图解决的核心问题。
计算开销与训练时间
- 迭代性质导致耗时: 致密化过程的迭代性质是其最显著的缺点之一。模型需要经历大量的优化步骤来调整现有高斯基元的参数，然后根据梯度或误差信号决定在何处以及如何添加新的基元。这个“优化-评估-致密化”的循环需要重复多次，极大地延长了总训练时间。虽然单次致密化操作（分裂或克隆）本身的计算量可能不大，但累积起来的开销以及在致密化之间进行的必要优化步骤构成了主要的计算负担。
- 冗长的优化路径: 由于需要等待模型“发现”需要细化的区域，高斯基元在达到其最终稳定状态之前，可能会经历多次移动、调整、甚至被克隆或分裂。这意味着每个基元在参数空间中走过了漫长而曲折的路径，这不仅耗时，也可能不是最高效的收敛方式。EDGS 的实验通过量化坐标移动距离的显著减少，直观地证明了标准方法优化路径的冗长性。
- 实际训练时间: 对于复杂场景，标准 3DGS 的训练时间通常以分钟甚至小时为单位，这与其实时渲染能力形成了鲜明对比，限制了其在需要快速建模或迭代的应用场景中的实用性。
内存占用与存储开销
- 模型规模不可控: 标准 3DGS 的 ADC 机制通常缺乏对最终高斯基元数量的严格上限控制。致密化过程可能会产生远超预期的基元数量，尤其是在复杂场景或优化参数设置不当的情况下。这导致了所谓的“无界模型大小”问题。
- 内存溢出风险: 不受控制的基元数量增长会急剧增加训练过程中 GPU 内存的需求。对于大规模场景或在内存有限的硬件上进行训练时，很容易发生内存溢出 (Out-of-Memory, OOM) 错误。
- 巨大的存储需求: 最终模型需要存储数百万个高斯基元的全部参数（位置、尺度、旋转、不透明度、球谐系数等） 。这导致最终的模型文件体积庞大，通常达到数百兆字节，远超许多基于 NeRF 的紧凑表示。巨大的存储体积不利于模型的分发、加载和在存储资源有限的设备（如移动端、嵌入式系统）上的应用。
对收敛速度与优化稳定性的影响
- 延迟收敛: 致密化过程本身就延迟了模型的收敛。模型需要花费大量迭代时间来探测和识别哪些区域需要更高的重建保真度，然后才能通过添加新基元来提升这些区域的质量。相比之下，如果能从一开始就提供一个更完善的初始化，收敛速度有望大幅提升。
- 启发式规则的脆弱性: ADC 依赖于一系列启发式规则和超参数（如梯度阈值、尺寸阈值、不透明度阈值、执行频率等） 。这些参数通常需要针对特定数据集或场景进行仔细调整，缺乏普适性。不合适的参数设置可能导致致密化不足（质量差）或过度致密化（效率低、伪影多）。这种对启发式规则的依赖使得优化过程显得有些“脆弱” 。
- 优化轨迹的扰动: 周期性的操作，如不透明度重置，虽然有助于剪枝，但也可能对优化轨迹造成“冲击”，引入不稳定性，不利于平稳和可预测的训练动态。
对渲染质量与几何精度的潜在负面影响
- 高频区域的次优渲染: 增量式的致密化方法可能难以完美捕捉场景中的所有高频细节，尤其是在纹理复杂或几何精细的区域，可能导致渲染结果次优或模糊。
- 初始化依赖与伪影: 如果 SfM 初始化质量较差（例如，在纹理重复或弱纹理区域点过少），标准的基于梯度的致密化可能无法有效增加这些区域的基元密度。这会导致渲染模糊或出现“针状”伪影 (Needle-like Artifacts)，即高斯基元变得在一个维度上极度拉长。仅仅降低致密化阈值并不能解决问题，反而可能在已经足够稠密的区域产生不必要的基元。
- 漂浮物 (Floaters): 优化过程中可能会在空白区域产生一些 spurious 的高斯基元（漂浮物）。如果剪枝机制不够有效，这些漂浮物可能会残留下来，影响渲染质量。
- 克隆操作的偏见: 有研究指出，标准 ADC 在克隆操作中保留原始不透明度的做法会引入偏见，导致克隆区域整体不透明度偏高，影响 alpha 合成和后续的致密化过程。
综上所述，标准 3DGS 中的致密化步骤虽然是实现高质量重建的关键环节，但其迭代、启发式的本质带来了显著的计算、内存、收敛性和质量方面的挑战。这些挑战不仅限制了 3DGS 的应用范围和效率，也成为了驱动研究者们探索如 EDGS 这样消除或改进致密化方案的强大动力。理解这些弊端有助于认识到 EDGS 等方法试图通过更优的初始化或替代策略来从根本上提高 3DGS 效率和鲁棒性的重要意义。同时，这些挑战也解释了为何除了改进初始化之外，还有大量研究工作致力于优化训练策略、压缩模型表示以及改进核心的高斯基元本身。
EDGS 技术实现深入探究
EDGS 的核心在于其创新的初始化策略，该策略完全取代了标准 3DGS 中的自适应密度控制和迭代致密化。
稠密对应查找策略
EDGS 的起点是获取输入图像之间的稠密 2D 对应关系。论文强调了使用“稠密”对应，以区别于传统 SfM 流程中使用的“稀疏”关键点匹配。稠密对应的目标是为图像中的尽可能多的像素（理想情况下是每一个像素）找到其在其他视图中的对应像素。
- 重要性: 稠密对应是 EDGS 方法的基石。对应点的数量和精度直接决定了后续三角化生成的 3D 点云的密度和准确性，进而影响初始高斯基元集合的质量。只有足够稠密且准确的对应关系，才能确保初始化能够覆盖场景的各个部分，尤其是在高频区域提供足够的细节。
- 潜在技术: 尽管 EDGS 的公开资料（如提供的摘要和项目页面）没有明确指定所使用的具体稠密对应算法，但该领域存在多种成熟的技术可以实现这一目标。例如：
- 光流法 (Optical Flow): 像 RAFT (Recurrent All-Pairs Field Transforms) 及其变种是当前先进的光流估计算法，能够计算图像间密集的像素位移场。
- 基于特征匹配的方法: 如 LoFTR (Local Feature TRansformer) 或 SuperGlue 等利用深度学习进行特征提取和匹配的方法，也能生成相对稠密的对应关系，尤其在具有挑战性的场景（如弱纹理、大视角变化）下表现鲁棒。
- 传统立体匹配/多视图立体 (MVS) 算法: 经典的立体匹配算法也可以输出稠密的视差图或深度图，从中可以推导出像素对应关系。
- 选择考量: EDGS 的实现需要选择一种能够平衡精度、密度和计算效率的稠密对应算法。算法的选择将直接影响 EDGS 的预处理时间（计算对应关系是一次性成本）和最终的重建质量。
三角化恢复三维位置
在获得稠密 2D 对应和已知相机位姿（通常由 SfM 或其他相机标定方法提供）后，EDGS 通过三角化来恢复这些对应像素点的三维空间位置。
- 基本原理: 三角化是利用来自至少两个不同视角的观察射线来确定空间中某一点位置的过程。对于一对匹配的像素 (pi,pj)，它们分别位于图像 Ii 和 Ij 上。已知相机 i 和 j 的内参和外参，可以确定从相机中心出发、穿过像素 pi 和 pj 的两条空间射线。理想情况下，这两条射线应该交于空间中的同一点，即对应场景点的三维位置 X。由于噪声和测量误差，射线通常不会精确相交，因此三角化算法的目标是找到一个 3D 点 X，它能最好地解释这两条（或多条）观察射线（例如，使该点到所有射线的距离之和最小，或者使该点在所有图像上的重投影误差最小）。
- 关键信息: EDGS 明确指出，这个过程利用了已知的相机位姿和观察射线，但不需要预先计算的深度图 。这是三角化的标准设定。
高斯基元参数的初始化
通过三角化得到密集的 3D 点云后，EDGS 为每个点初始化一个高斯基元，并赋予其初始参数。
- 位置 (μ): 直接使用三角化计算得到的 3D 坐标作为高斯基元的初始中心位置。
- 颜色 (f): 利用原始输入 RGB 图像中对应 2D 像素的颜色信息来初始化。一种简单的方法是取所有参与三角化的对应像素颜色的平均值。对于视角相关颜色（如 SH 系数），可能将平均颜色作为零阶 SH 系数，并将高阶系数初始化为零。
- 尺度/协方差 (s,q 或 Σ): 这是初始化中相对不明确的一环。论文提到会根据图像信息初始化尺度，但未提供细节。合理的初始化对于后续优化至关重要。可能的策略包括：
- 基于三角化的不确定性或重投影误差来估计初始尺寸。
- 基于邻近 3D 点的距离来设定初始尺度。
- 考虑对应像素周围的图像梯度或纹理信息。
- 将初始协方差设置为各向同性的小球体，让优化过程自行学习其形状和大小。
- 不透明度 (α): EDGS 的资料中未明确提及不透明度的初始化。通常，在 3DGS 中，不透明度会被初始化为一个非零的小值（例如，通过 sigmoid 函数作用于一个可学习的参数），以确保基元在优化初期是可见的，并能接收到梯度信号。
这种“信息丰富”的初始化是 EDGS 的核心优势。与标准 3DGS 从非常稀疏且属性简单的 SfM 点出发相比，EDGS 的初始高斯基元集合不仅在数量上密集得多，而且在位置、颜色和可能的尺度上都更接近场景的真实状态。
替代致密化的机制：直接优化固定集合
EDGS 的关键在于，通过上述的密集初始化步骤，它完全避免了在优化过程中动态增加高斯基元的需要。
- 固定基元集合: 一旦通过稠密对应和三角化生成了初始的密集高斯基元集合，EDGS 的优化过程就只针对这个固定的集合进行。优化的目标是调整这些初始基元的参数（位置、颜色、尺度、旋转、不透明度），使其更好地拟合训练视图。
- 无分裂与克隆: 不再有基于梯度或误差的分裂和克隆操作。场景的几何复杂性完全由初始化的密度和后续参数的优化来表达。
- 剪枝的可能性: 虽然 EDGS 消除了致密化，但它是否保留了剪枝机制（例如，移除优化后不透明度过低的基元）在提供的资料中并未明确说明。考虑到剪枝对于移除无效基元和控制最终模型大小的重要性，保留某种形式的剪枝（如基于低不透明度的剪枝）是可能的，并且这通常不与初始化策略冲突。
EDGS 的基本假设是，如果稠密对应和三角化足够好，产生的初始点云已经足够密集且准确地覆盖了场景表面，那么就不再需要一个额外的机制来“发现”和“填充”缺失的几何信息。优化过程只需要对这个初始集合进行微调，就能达到高质量的重建。这种策略的成功高度依赖于上游的稠密对应和三角化步骤的质量。如果这些步骤产生大量错误或噪声，由于缺乏动态添加基元的机制来纠正大的初始错误，EDGS 的性能可能会受到影响。然而，其报告的优异结果表明，在常用基准数据集上，现代稠密对应技术似乎能够提供足够高质量的输入，使得这种“消除致密化”的策略是可行的，并且在效率和质量上都带来了显著的提升。
性能分析与比较
EDGS 的提出旨在显著提升 3DGS 的效率和质量。本节将基于现有信息，对其性能进行分析，并与标准 3DGS 及其他相关方法进行比较。
定量比较：EDGS vs. 标准 3DGS
EDGS 论文及其项目页面提供了令人信服的定量数据，证明了其相对于标准 3DGS 的优势：
- 训练时间与收敛速度:
- 显著加速: EDGS 的收敛速度据称比标准 3DGS 快约 10 倍。这是一个巨大的提升，意味着训练时间可以从几十分钟缩短到几十秒或几分钟。
- 绝对时间: 对于某些场景（如前向视角视频），EDGS 可以在 10-20 秒内完成训练，这个速度已经接近实时交互的需求。需要注意的是，报告的时间通常包含了计算稠密对应关系的一次性预处理成本。
- 优化路径: 通过大幅缩短优化路径（坐标总路径长度减少 30 倍，最终位移减少 50 倍），EDGS 证明了其初始化策略使得优化过程更加直接高效。
- 超越速度优化模型: EDGS 声称其训练效率甚至优于那些专门为速度优化的 3DGS 变体。
- 内存占用与模型紧凑性:
- 更少的基元: EDGS 在达到同等或更高质量的情况下，使用的 3D 高斯基元数量大约只有标准 3DGS 的一半。
- 内存与存储: 更少的基元数量直接意味着更低的训练时 GPU 内存占用和更小的最终模型存储体积。这对于在资源受限环境下部署 EDGS 模型至关重要。
- 渲染质量:
- 更高保真度: EDGS 报告了比标准 3DGS 和其他当前最优 (State-of-the-Art, SOTA) 方法更高的渲染质量 。这通常通过标准的图像质量评估指标来衡量，如峰值信噪比 (PSNR)、结构相似性指数 (SSIM) 和学习感知图像块相似度 (LPIPS) 。
- 复杂区域优势: EDGS 在处理包含复杂纹理和精细几何结构的区域时表现尤为出色，能够重建出比标准方法更丰富的细节。
表 1: EDGS 与标准 3DGS 性能对比概要
| 性能指标 | 标准 3DGS (基线) | EDGS | 优势来源 (EDGS) | 相关文献 |
|---|---|---|---|---|
| 训练收敛速度 | 较慢 (分钟级) | 显著加快 (约 10x)，可达秒级 29 | 消除迭代致密化，缩短优化路径 21 | |
| 高斯基元数量 | 较多 (N) | 显著减少 (约 N/2) 21 | 密集初始化更有效，无需过度增殖 | |
| 内存/存储占用 | 较高 | 较低 (因基元数量减少) | 更紧凑的表示 | (推断自基元数量减少) |
| 渲染质量 (PSNR/SSIM/LPIPS) | 高，但在高频区域可能次优 21 | 更高，尤其在复杂区域保真度更好 21 | 更好的初始化引导优化至更优解 21 | |
| 初始化方法 | 稀疏 SfM 点 + 迭代致密化 5 | 稠密对应三角化，一步密集初始化 21 | 直接近似几何，避免迭代发现 |
注意：具体的 PSNR/SSIM/LPIPS 数值依赖于数据集和评估设置，此处主要描述相对性能。
这种同时在速度、紧凑性和质量三个方面都取得显著提升的情况在优化研究中并不常见。通常，加速或压缩往往会牺牲一定的质量。EDGS 能够打破这种常规权衡，暗示其核心理念——通过高质量的密集初始化来避免低效的迭代式几何发现和精化——可能是一种在根本上更有效的方法。