论文导读
亚利桑那州立大学、约翰斯·霍普金斯大学提出TileSkipper，为已经训练好的3D高斯场景预先分配不同渲染阈值。在3840像素宽的固定策略扫描中，数据集宏平均加速达到1.238倍，平均PSNR变化为负0.023分贝。导出策略每个高斯只增加1字节，运行时无需重新训练或逐帧预测策略。它用事先校准的误差界限跳过贡献很小的计算，让已有三维场景更快显示。
一片平面和一条细边，不必一样处理
3D高斯渲染把场景表示为许多带颜色和透明度的高斯，再判断它们会影响哪些屏幕小块。大量高斯与小块配对后，还要排序和混合，形成最终像素。
常见渲染器用整个场景统一的贡献阈值决定哪些配对可以省略。平坦区域可能容忍更激进的删减，物体边缘和细节区域则需要保留更多贡献，统一规则无法区分这两种需求。
TileSkipper针对冻结的场景检查点做离线校准。它测量不同阈值能节省多少配对、产生多大画面差异，再为不同区域选择静态配置，不更新原来训练好的高斯参数。
图：同一室内视图各区域可接受阈值的色块示意（Figure 7）。
先测影响，再用独立视角确认完整画面
系统把高斯分成64组，根据校准渲染分配阈值。单独删除某项贡献时的误差估计，只用于寻找候选，最终仍需完整渲染检查。
配置选择使用与校准分开的训练视角，测试视角不参与选择。完整画面的质量门槛确认候选可用后，策略被导出成每个高斯一个字节，加上阈值查找表。
运行时，渲染器在枚举屏幕小块时读取这个字节。后续投影、排序和混合流程保持原样，没有每帧再调用一个网络判断该省哪里，也没有给每帧追加策略推理。
4K加速1.238倍，收益按渲染路径分开
实验包含Mip-NeRF 360等三个数据集的13个场景。在固定策略AccuTile扫描中，标准分辨率的宏平均加速1.088倍，3840像素宽达到1.238倍，平均PSNR分别下降0.007和0.023分贝。
PSNR比较渲染画面与参考图像，数值变化很小仍然属于测量到的质量变化，不能写成数学意义上的完全无损。区域图与差异放大图用来检查哪些地方产生变化，不代替完整指标。
图：渲染局部、网格残差和边界相位的对照（Figure 8）。
六种原本已经使用透明度感知边界的集成路径，策略本身加速范围为1.009至1.121倍。另四类路径还包含先前精确边界优化的收益；例如原生3DGS总加速1.493倍，其中边界转换贡献1.454倍，策略进一步贡献1.027倍。
所以1.493倍不能全部归给TileSkipper。在带神经网络计算的Scaffold-GS中，网络部分占总延迟很大比例，减少光栅化工作也无法同样缩短那部分计算。
论文还给出了玩具工程车场景的多个视角，分别放大背景和织物局部，并用放大20倍的差异图显示两种渲染之间的残差。
图：玩具工程车视图的参考、两种渲染和放大差异（Figure 9）。
未来应用：根据实际瓶颈选择优化组合
论文还检查预先剔除不可见区域与静态阈值策略如何配合。有的配置剔除成本比节省时间还多，把两个优化叠在一起反而更慢；选择应依据净收益，而不是只统计跳过了多少对象。
分辨率升高时，同一场景的配对和排序工作占比增加，为这类策略提供更多空间。不同显卡、检查点和后端的瓶颈不一样，作者测得的加速范围不能直接套到任意设备。
现有实现可以与压缩检查点和其他光栅化优化组合。继续部署时，可先在目标场景上离线校准，再用未参与选择的视角检查质量、按目标分辨率测量延迟，保留每条路径的增量收益记录。
参考资料
https://arxiv.org/abs/2610.09343
