苹果提出 LGTM 框架：以更少高斯实现 4K 前馈纹理渲染
针对现有前馈式 3D 高斯泼溅（Gaussian Splatting）方法随分辨率提升导致图元数量呈二次方增长、难以支持 4K 合成的问题，苹果机器学习研究团队提出了 LGTM 框架。该方案通过预测紧凑的高斯图元并耦合每图元的纹理，成功将几何复杂度与渲染分辨率解耦。实验表明，LGTM 无需场景优化即可实现高保真 4K 新视角合成，且显著减少了所需的高斯图元数量。
事件概述
苹果机器学习研究团队（Apple Machine Learning Research）联合香港大学等机构，于 2026 年 3 月发表了一篇题为《Less Gaussians, Texture More: 4K Feed-Forward Textured Splatting》的论文，提出了一种名为 LGTM (Less Gaussians, Texture More) 的新框架。
核心挑战
现有的前馈式 3D 高斯泼溅（Feed-forward 3D Gaussian Splatting）方法通常预测像素对齐的图元（primitives）。这种机制导致随着图像分辨率的提升，所需的图元数量呈二次方增长。这一根本性限制使得高分辨率（如 4K）的合成在计算上变得不可行，严重阻碍了此类方法的扩展性。
LGTM 技术方案
LGTM 框架旨在突破上述分辨率扩展瓶颈，其核心创新点包括：
- 几何与纹理解耦：该方法不再单纯依赖增加图元数量来适应高分辨率，而是预测更紧凑的高斯图元，并为每个图元单独生成纹理（per-primitive textures）。
- 降低资源消耗：通过将几何复杂度与渲染分辨率解耦，LGTM 能够在保持高保真度的同时，显著减少所需的高斯图元总数。
- 前馈推理能力：作为前馈框架，LGTM 无需进行传统的每场景优化（per-scene optimization），即可直接处理输入数据。
关键成果
- 4K 新视角合成：LGTM 首次实现了无需场景优化的 4K 分辨率高质量新视角合成，解决了此前前馈方法无法触及的高分辨率难题。
- 效率提升：在达到同等或更高视觉质量的前提下，相比传统方法大幅降低了图元数量，提升了渲染效率。
背景信息
- 作者团队：Yixing Lao, Xuyang Bai, Xiaoyang Wu, Nuoyuan Yan, Zixin Luo, Tian Fang, Jean-Daniel Nahmias, Yanghai Tsin, Shiwei Li, Hengshuang Zhao。
- 发布会议：ICLR (International Conference on Learning Representations)。
- 相关领域：计算机视觉、神经渲染（Neural Rendering）。
- 关联工作：该研究延续了团队在 3D 高斯泼溅领域的探索，此前曾发布过针对可动人体表示的 HUGS (Human Gaussian Splats) 及基于 GAN 的 3D 纹理生成方法 Texturify。