English translation pending — this page shows the Chinese original.
一句话结论
在已有COLMAP相机/稀疏点和逐场3DGS训练下，SnugBox/AccuTile缩小每高斯处理的tile范围，Soft/Hard Pruning减少高斯总量；RTX A5000十三场累计配置作者报告渲染134→898 FPS、训练23.2→15.7分钟，但九场Mip-NeRF360的LPIPS .222→.296（CVF正式主文p.3 Table1、pp.7–8 Tables2–3）。
问题定义与方法
输入静态多视RGB、已有位姿和COLMAP点云，输出逐场高斯资产及新视图；不解决未知相机。原版以投影椭圆的保守外包圆/方形列出tile。SnugBox建立紧轴对齐椭圆框，AccuTile按矩形短边逐行/列检查与椭圆真实相交的tile，再按原α混合公式渲染。这个改动主要省duplicate、sort与raster的无效工作（pp.3–6 Eq.8–17/Fig.2/Alg.1；补充p.1）。
另一路评分沿PUP的敏感度近似转为像素对投影高斯响应的梯度平方聚合，作者称单图元分数暂存由36项降为1项。Soft在6k/9k/12k opacity重置前各删除低分80%；Hard自15k起每3k步再删30%，保留原重建训练/后续微调。评分是代理，不是留一删除后的真实损失（pp.5–7 Eqs.18–21）。
结果、反证和成本
13个真实场景：Mip-NeRF360九、T&T两、Deep Blending两；A5000、每场三次运行，CUDA events测forward。累计消融每帧7.478→4.102→3.748→2.381→1.114ms；仅tile方法平均约1.99×、最终6.71×，压缩比10.6×以图元数量计（p.3 Table1、p.7 Table2）。九场Mip-NeRF360最终PSNR27.55→26.94、SSIM .814→.782、LPIPS .222→.296；同表Mini-Splat PSNR27.34/LPIPS .217/FPS3.20×，需要在共同环境重跑才能判定真实Pareto边界（p.8 Table3）。同一PUP后裁剪管线固定88.44%删率，本法分数PSNR26.8658高于PUP26.2136，但LPIPS .2840差于.2731且FPS345.52低于378.57（p.8 Table4）。补充p.2 Fig.7给裁剪率扫参，pp.3–4 Tables7–11给tile对照及逐场退化。
边界与相关页面
训练分钟与forward FPS分开；COLMAP/载入/模型传输与整体显存未列完整成本。评分36×节省仅指暂存，不等于总体显存；代码仓库顶层为继承Gaussian-Splatting的专用许可证，复用需审查权利。未做GPU复现，日期按CVPR2025六月月首占位。固定图元预算、相机、GPU和目标LPIPS，比较FastGS误差点管理、RAP跨场评分、Faster-GS底层实现、gsplat库实现；专题见3D Gaussian Splatting: Representation, Optimization, Geometry, and Dynamic Scenes。原文、官方补充、逐页全文与独立分析留在raw/ingest/2026-09-25-speedy-splat/。