SC26最新！3DGS压缩粒子数据：65倍压缩PSNR超30dB，渲染快2300倍

3D高斯泼溅这个计算机图形学的网红，被Temple大学和阿贡国家实验室的团队跨界用到科学数据压缩上，结果直接碾压传统有损压缩器SZ3好几个身位。不仅压缩比高，还能实时交互渲染，宇宙学家们可以欢呼了。看完直呼：还能这么玩？

龙哥读论文发布于 2026-09-05 00:31:11 阅读 5 查看原文

#高斯泼溅 #3D渲染 #AI科研

原论文信息如下：

论文标题:
3D Gaussian Splatting for Scientific Particle Data Compression and Rendering

发表日期:
2026年7月（arXiv）发表单位:
Temple University, Argonne National Laboratory
（会议：SC26）原文链接:
https://arxiv.org/pdf/2607.22956v1.pdf 开源代码链接:
https://github.com/BoJiang03/ParticleGS

引言

宇宙学模拟动辄跟踪数千亿个粒子，一个快照就能塞满几百TB的硬盘。存储难、传输慢、交互渲染更是奢望——用ParaView渲染281M粒子的一帧，需要3.6秒，调整一下粒子半径又要重新跑3.6秒。传统有损压缩器如SZ3虽然能把数据体积压下来，但它们在数据空间里做误差控制，对渲染出来的图像质量几乎不管。结果呢？压缩完再渲染，画面上出现一条条坐标轴对齐的条纹伪影（图1），宇宙大尺度结构的纤维状网络全被破坏了。

Temple大学和阿贡国家实验室的团队换了个思路：既然最终要看的是渲染图，为什么不直接优化渲染图的质量呢？于是他们把3D高斯泼溅（3D Gaussian Splatting）这个在NeRF时代火遍计算机图形学的技术，搬到了科学粒子数据压缩里，搞出了ParticleGS。

问题背景：粒子数据压缩的痛点

先说说现有的路子为什么行不通。

传统有损压缩器的窘境。SZ3、ZFP这类通用科学数据压缩器，设计初衷是针对网格结构数据的，它们把每个粒子坐标的x、y、z当成三个独立的一维数组各自压缩。这样一来，坐标轴之间的量化误差完全不相关，渲染出来就出现图1里那种沿着坐标轴的条纹伪影。而且，数据空间的误差指标完全不能反映渲染质量——SZ3报告自己的点误差很小，但渲染出来的PSNR只有24.7 dB（65倍压缩），而人眼一看就知道坏了。

粒子专用压缩器的短板。LCP这种为粒子数据定制的压缩器，通过重排粒子顺序来利用空间局部性，压缩比可以比SZ3高不少，但它的量化误差是空间相关的，在65倍压缩下PSNR只有20.3 dB，比SZ3还差。所以这条路也走不通。

神经隐式表示的局限。NeurComp、CoordNet这类方法只适用于网格结构数据，处理不了非结构化的粒子云，更不支持在推理时调整可视化参数（半径、透明度）。

一句话总结：传统方法要么压缩后渲染质量差，要么不支持交互式参数调整，要么只能处理网格数据。ParticleGS直接跳过数据重建，用3DGS学一个紧凑的场景表示，端到端优化渲染图像的质量。

图1：281M HACC粒子的近景渲染对比。SZ3在63倍压缩下引入坐标轴对齐的条纹伪影，破坏了原始数据中的纤维状结构。

方法概述

ParticleGS的整体流程与传统压缩-解压-渲染路线形成鲜明对比（图2）。传统方式需要先有损压缩，再完整解压，然后用ParaView逐帧渲染，每个参数变化都得重新执行整个管线，一帧3.6秒。ParticleGS则是一次性训练一个紧凑的3DGS模型（含VizMapper），之后就可以实时交互渲染，帧率高达662 FPS，同时支持动态调整可视化参数。

图2：传统压缩-解压-渲染管线（上方）与ParticleGS管线（下方）对比。ParticleGS一次训练（67分钟），之后即可实时渲染（662 FPS），支持参数动态调整。

粒子数据压缩的痛点：传统方法为何失效？

宇宙学模拟产生的粒子数据有多恐怖？HACC（硬件加速宇宙学代码）的单个快照就能达到数百TB，而像FIRE-2这样的星系形成项目，一个暗物质盒子就有2.68亿个粒子，存储和传输是天文数字。但最头疼的是交互式可视化——科学家需要调节粒子半径和透明度来揭示不同尺度的结构（比如宇宙大尺度纤维状网络），每调节一次参数，ParaView就得从原始数据重新渲染一帧。对于2.81亿粒子的HACC数据集，ParaView一帧要3.6秒，这哪里是交互？简直是幻灯片。

所以大家想到用有损压缩来减小数据体积。主流的科学数据压缩器，比如SZ3和ZFP，它们的工作原理是对数据点（这里是粒子坐标）进行预测、量化，保证每个点的重建误差不超过用户指定的阈值。听起来很美好，对吧？但问题来了：这些压缩器是在数据空间（浮点数坐标）里做误差控制，而科学家最终要看的是渲染图像。数据空间误差小，不代表渲染图像质量好。

更糟糕的是，SZ3这类压缩器把x、y、z三个坐标当成独立的一维数组分别压缩，量化误差之间完全不相关。渲染时这些微小误差累积，就产生了图1里那种沿着坐标轴方向、密密麻麻的条纹伪影。原本美丽的宇宙大尺度纤维状结构，瞬间变成了“条纹毛衣”。

那有没有专门为粒子数据设计的压缩器？有，LCP（Locality-preserving Compression of Particles）就是其中一个。它通过重排粒子顺序来利用空间局部性，压缩比确实比SZ3高不少。但它的量化误差是沿着空间填充曲线（space-filling curve）分布的，在65倍压缩比下，LCP渲染的PSNR只有20.3 dB，比SZ3的24.7 dB还差。为什么？因为空间相关的误差会形成结构性的伪影，比随机噪声更刺眼。

还有一个方案是用神经隐式表示（Neural Implicit Representations），比如NeurComp。但这些方法是为规则网格数据设计的，处理不了非结构化的粒子云，更别提用户要动态调节渲染参数了。

所以，传统方法的症结在于：它们优化的是数据重建误差，而不是最终渲染图像的质量。而科学家只关心渲染图好不好看、结构清不清晰。

图1：281M HACC粒子的近景渲染对比。SZ3在63倍压缩下引入坐标轴对齐的条纹伪影（左下），破坏了原始数据（左上）中的纤维状结构。ParticleGS的渲染结果（右上）几乎与原始数据无差别。

ParticleGS：用3D高斯泼溅实现可视化感知压缩

既然最终评判标准是渲染图像，那为什么不直接优化渲染图像的质量呢？Temple大学和阿贡国家实验室的团队从这个思路出发，引入了计算机图形学界的网红——3D高斯泼溅（3D Gaussian Splatting，简称3DGS）。

3DGS是Kerbl等人于2023年提出的场景表示方法，它用一堆各向异性的3D高斯函数（每个高斯有位置、协方差、不透明度、颜色等参数）来建模场景，并通过可微分光栅化（Differentiable Rasterization）端到端优化这些高斯参数，使得渲染出的图像和真实照片尽可能接近。相比于NeRF，3DGS渲染速度快了100-300倍，训练只需几分钟，而且模型非常紧凑——几万个高斯就能编码上亿粒子的视觉外观。

ParticleGS的整体流程如图2所示。传统管线（上方）需要：原始数据→有损压缩→完整解压→ParaView逐帧渲染。而ParticleGS（下方）的流程是：原始数据→训练一个紧凑的3DGS模型（含VizMapper，一次离线训练约67分钟）→之后就可以实时交互渲染，帧率高达662 FPS，还支持动态调整可视化参数（半径、透明度）。作为副产品，还可以从训练好的3DGS模型采样恢复粒子位置，用于后续分析。

图2：传统压缩-解压-渲染管线（上方）与ParticleGS管线（下方）对比。ParticleGS一次性训练（67分钟），之后即可实时渲染（662 FPS），支持参数动态调整。

具体来说，ParticleGS的训练过程分为三步：

第一步从原始粒子云中均匀采样约20万个粒子作为初始化点云，用于3DGS的种子高斯。注意，整个训练用的真实图像（Ground Truth）是基于全部2.81亿粒子用ParaView渲染的，而不是只基于这20万粒子。

第二步使用多阶段、多分辨率、多轨道（Multi-orbit）的训练策略。训练时相机沿着三条不同距离的轨道（远、中、近）围绕粒子体积旋转，并且逐步提高渲染分辨率：第一阶段在1920×1080下训练1.2万迭代，第二阶段在5760×3240下训练2.7万迭代。这样模型既学到全局结构，又学到局部细节。

第三步训练时，粒子半径和透明度不是固定的，而是通过Beta分布随机采样，让模型学会适应不同的可视化参数。VizMapper模块（后面细讲）接收这些参数并调整高斯的不透明度和尺度。

图4：多距离相机轨道。三条轨道（远1.0×、中0.7×、近0.5×基线半径）包围归一化的粒子体积，提供远距离概览和近距离内部视图。

值得注意的细节：ParticleGS使用的损失函数是纯L1损失（加内容掩码Content Mask），没有用标准3DGS中的DSSIM项。为什么？因为科学渲染图像大部分区域是黑色背景，DSSIM信号被背景主导，加上它会使模型大小增加68%而掩码PSNR没有提升。另外，球谐函数（Spherical Harmonics, SH）只用了0阶（即纯色），因为粒子渲染没有视角相关的颜色变化，这样又省了59%的模型大小。

VizMapper：轻量网络让一个模型适配所有可视化参数

这是ParticleGS最具工程巧思的贡献。科学可视化中，用户经常需要调节两个关键参数：粒子半径r和透明度α。不同参数揭示不同的结构——大半径、低透明度展示大尺度纤维网络；小半径、高透明度展示单个密度的细节。标准3DGS训练时只能固定一组渲染参数，一旦用户想换参数，要么重新训练（几乎不可能），要么训练时混合所有参数让模型去“平均”，结果就是模糊一片。

VizMapper（Visualization Parameter Mapper）是一个仅含4,610个参数的3层MLP，输入4个值：全局参数变化（相对默认值的比值减1）、两个归一化的高斯属性（平均log尺度、不透明度logit），输出两个tanh约束的残差修正（δs和δo）。

具体来说，令默认半径为r0、透明度为α0，当前参数为r和α，则输入的全局变化为f_r = r/r0、f_α = α/α0，输入向量为(f_r-1, f_α-1, 归一化的log尺度, 归一化的logit不透明度)。MLP输出δs和δo后，修正后的尺度s' = s × f_r × (1+δs)，修正后的不透明度logit o'_logit = logit(o) + log(max(f_α(1+δo), ε))，其中ε是防止不透明度变零的下界。

这个小小的网络可以跟3DGS的整个优化过程一起端到端训练。训练时，每个批次随机采样半径r和α（来自围绕默认值的Beta分布），VizMapper学习如何根据全局参数调整每个高斯个体的空间范围和不透明度。关键是输出层的tanh给出了残差边界（δs∈[-0.1,0.1], δo∈[-0.3,0.3]），并且初始化时所有参数为0，这样网络一开始相当于恒等映射（不修改任何高斯），不会干扰早期的几何优化。

图3：VizMapper架构。一个轻量MLP将每高斯属性和全局可视化参数映射到尺度和不透明度修正。

消融实验显示，去掉VizMapper（改用固定的平均参数），掩码PSNR从31.75 dB暴跌到26.24 dB——下降了5.51 dB。这说明VizMapper的修正效果非常显著。

分块训练+全局微调：突破单模型容量瓶颈

当粒子数据体积巨大（比如2.81亿粒子），单个3DGS模型很难同时捕捉所有空间尺度上的精细结构。ParticleGS引入了基于KD-tree的空间分块训练策略。

具体做法是：用KD-tree将原始粒子体积递归地沿着最长轴二分，直到每个块包含大致等量的粒子数。每个块独立地在自己的局部坐标系中训练一个3DGS模型（包含自己的VizMapper），各个块可以在多GPU上并行训练。训练完成后，把每个块的3DGS高斯从局部坐标映射回全局坐标系，合并成一个统一的模型。

合并后的模型难免在块边界处产生接缝（seams），所以需要全局微调（Global Fine-tuning）来修复这些接缝，并重新校准VizMapper以适应合并后的高斯分布。微调在较低分辨率（1920×1080）上进行6万迭代，前3万迭代开启密度调整（Densification），允许模型在接缝处新增高斯来修补。微调时也放宽了VizMapper的修正范围（δo max从0.3提高到0.8，δs max从0.1提高到0.3），给网络更大的适应空间。

图5：空间分块训练管线。KD-tree将粒子体积划分为K个块，每个块独立并行训练，合并后全局微调修复接缝。

实验表明，单块模型（171k高斯）在290倍压缩下达到28.80 dB PSNR；4块模型（378k高斯）在85倍压缩下达到29.22 dB；8块模型（769k高斯）在65倍压缩下达到30.03 dB。分块确实带来了实打实的质量提升，而且8块模型可以并行训练，总训练时间只比单块模型多不到两倍。

性能炸裂：65倍压缩下PSNR超30dB，渲染速度提升2300倍

论文在多个数据集上进行了全面的定量和定性评估，结果相当硬核。

首先看主数据集（HACC 2.81亿粒子）上的率失真性能。下表对比了ParticleGS不同配置（单块、4块、8块）与SZ3、LCP在不同压缩比下的PSNR。注意这里报告的是全帧PSNR（包括黑色背景）。

表VI：不同压缩方法在HACC 281M粒子数据集上的率失真比较。ParticleGS在相同压缩比下PSNR显著领先SZ3和LCP。

从表中可以看到：SZB在65倍压缩下仅24.7 dB PSNR，而ParticleGS单块模型在290倍压缩下就达到28.80 dB；8块模型在65倍压缩下高达30.03 dB。领先优势非常明显：比SZ3好5-8 dB，比LCP好10-17 dB。

再说渲染速度。在单块模型（171k高斯）上，ParticleGS使用VizMapper的动态参数适配，渲染一帧平均只需1.51毫秒，即每秒662帧（FPS）。而ParaView完全渲染一帧需要3.6秒（0.28 FPS）。ParticleGS比ParaView快了超过2,300倍，而且模型体积只有50 MB（65倍压缩），内存占用也小得多。

一个很酷的副产品是，训练好的高斯可以重新解释为高斯混合模型（Gaussian Mixture Model, GMM），通过对每个高斯按其不透明度赋予权重，然后采样，可以恢复出统计上接近原始粒子分布的新粒子集。实验表明，恢复的28.1亿粒子与原始粒子的功率谱（Power Spectrum）相关系数超过0.92，密度分布也高度一致。这为后续的科学分析（如两点相关函数）提供了有用的替代品。

论文还测试了跨数据集泛化能力：将HACC上训练的模型直接用到另一个HACC快照和FIRE-2暗物质模拟上，没有调整任何超参数，PSNR分别达到27.8 dB和27.2 dB。这说明ParticleGS学到的表示具有一定通用性。

表III：ParticleGS在HACC和FIRE-2数据集上的泛化测试。不调整超参数即可达到27-29 dB PSNR。

当然，ParticleGS并非万能。它的定位是——可视化感知的压缩表示，而不是通用数据压缩。它优化的是渲染图像质量，而不是单个粒子坐标的重建精度。如果需要精确恢复每个粒子的位置或ID，那ParticleGS不适用。另外，目前的方法只支持调整半径和透明度这两个可视化参数，其他参数（如颜色映射、传输函数）还没有支持。

表VII：渲染性能对比。ParticleGS（含VizMapper）达到662 FPS，比ParaView的0.28 FPS快2365倍。

最后看一下消融实验的细节（表I），它验证了每个组件的贡献：

表I：消融研究。VizMapper贡献最大（−5.51 dB），多分辨率训练和轨道相机也显著影响质量。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

Q1：为什么不用NeRF来做这事？NeRF不是也能做视图合成吗？A1：好问题。NeRF确实能做场景表示，但它有三大硬伤不适合粒子数据。第一，NeRF的训练和渲染都很慢（每帧需要大量采样点），对2.81亿粒子训练NeRF可能要好几天，渲染一帧也要几秒，达不到实时交互。第二，NeRF隐式表示不方便调整可视化参数——要改变粒子半径，你得重新训练。第三，NeRF不直接支持从模型采样恢复粒子坐标（密度场采样效率低）。3DGS的显式高斯表示可以天然地作为概率密度模型，采样恢复粒子位置非常自然。

Q2：VizMapper只在训练时见过Beta分布内的参数，遇到超出范围的参数会怎样？A2：论文在实验中确实测试了极端参数（如r=0.0025或0.0175），这些都在训练分布（r∈[0.0025, 0.0175]）的边界上。如果用户提供的参数完全超出训练范围（比如r=0.1），模型的响应可能会不稳定，因为VizMapper的tanh输出被限制在[-0.1,0.3]内。但实际科学可视化中，用户很少会用到极端值，通常就在默认值附近探索。论文也建议，如果应用确实需要更宽的范围，可以重新训练VizMapper或增大δmax。

Q3：分块训练时，KD-tree的分块数K怎么确定？是不是越多越好？A3：论文中选了1、4、8三种配置。理论上更多块可以更好地局部建模，但有两个代价：一是块数增多会引入更多边界接缝，全局微调难度增加；二是合并后的模型高斯总数线性增长，存储和渲染开销也变大。实验表明4块到8块的提升已经不大（PSNR提升不到0.8 dB），而高斯数翻倍。实际使用中建议根据GPU内存和期望的压缩比来平衡。论文还提到，KD-tree分块是自动的，用户只需指定目标块数或每块粒子数。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

将3DGS从计算机图形学跨界应用到科学可视化压缩领域，并创造性提出VizMapper实现参数适配。虽然不是完全新理论，但场景转换和工程创新非常亮眼。

实验合理度：★★★★★

对比了SZ3和LCP两个主流基准，做了详尽的消融（每个组件分别验证），率失真曲线完整，泛化测试也覆盖了不同数据集和不同分辨率。实验设计严谨，结果可靠。

学术研究价值：★★★★☆

为科学可视化领域提供了一种全新范式——可视化感知压缩。这个思路可能会启发更多将渲染质量作为优化目标的工作，而非仅仅关注数据重建误差。

稳定性：★★★☆☆

在多个数据集上表现稳定，但验证仅限于宇宙学模拟（HACC和FIRE-2），尚未测试分子动力学等其他粒子类型。可能存在过拟合风险，需要更多场景验证。

适应性以及泛化能力：★★★★☆

不调超参数直接迁移到其他数据集效果良好，但都是同类型（暗物质粒子）数据。对于密度分布差异很大的数据集（比如分子动力学），可能还需要重新训练VizMapper。

硬件需求及成本：★★★☆☆

训练需要2块RTX PRO 6000 GPU，耗时67分钟（单块）到约2小时（8块）。推理时单GPU即可，渲染速度非常快。对于大多数研究机构来说硬件门槛中等，尚可接受。

复现难度：★★★★★

代码已在GitHub开源（https://github.com/BoJiang03/ParticleGS），提供了自动化复现脚本（`reproduce_ae.sh`），支持Chameleon云平台一键验证。代码质量高，依赖清晰，数据集可公开获取。复现难度很低。

产品化成熟度：★★★☆☆

可以作为ParaView的插件或独立可视化工具快速集成，但目前只支持半径和透明度两个参数调节。要支持更复杂的传输函数、多通道可视化还需要进一步开发。此外，模型只能用于可视化，不能用于需要精确粒子信息的分析任务。

可能的问题：

训练时需要大量真实渲染图作为监督，而这需要先渲染所有训练视图，可能成为瓶颈。另外，模型无法恢复单个粒子的精确位置，对于需要粒子ID追踪的某些科学分析完全不适用。最后，VizMapper的修正范围有限，无法处理超出训练分布太远的参数。

主要参考文献

[1] 3D Gaussian Splatting for Real-Time Radiance Field Rendering. Kerbl et al., ACM TOG 2023.

[2] SZ3: A Modular Framework for Composing Prediction-Based Error-Bounded Lossy Compressors. Liang et al., IEEE TPDS 2022.

[3] LCP: A Particle-Specific Lossy Compressor with Locality Preservation. Liu et al., IEEE VAST 2023.

[4] ParaView: An End-User Tool for Large-Data Visualization. Ahrens et al., Visualization Handbook 2005.

[5] HACC: Simulating Sky Surveys on Supercomputers. Habib et al., International Journal of High Performance Computing Applications 2019.

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！

3DGS压粒子，百万变千兆，实时交互不卡顿！
想跟龙哥一起探索更多AI黑科技？
加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如科学计算+北京+清华+龙哥），根据格式备注，可更快被通过且邀请进群。

『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群
wechat_helper