English translation pending — this page shows the Chinese original.
一句话结论
已有高斯场景可用随机透明采样和硬件深度缓冲取消全局排序，低采样渲染更快；代价是噪声、部分语义定位退化和高采样反向传播成本，不能概括为同画质或端到端训练加速。
身份与证据范围
正式题名为 *StochasticSplats: Stochastic Rasterization for Sorting-Free 3D Gaussian Splatting*。Crossref的IEEE正式DOI 10.1109/ICCV51701.2025.02443列ICCV2025 proceedings、七作者、pp.26326–26335；官方main program PDF p.63 poster155题名/作者对应。出版日期取Crossref记录。
全文使用作者公开arXiv:2503.24366v1（2025-03-31），13页，其中11页正文/参考文献、2页作者补充。以下页码指这个版本，与出版最终版的差异尚未核对。首次CVF入口403保留且未重试，独立正式身份核验后才读取作者全文；不将作者稿内补充声称为另取得的官方补充，也不根据项目声称奖项。
问题定义与输入输出
输入是已有高斯资产及指定相机，精修另需带位姿训练图像；输出RGB或语义特征渲染。它继承逐场建图与相机许可，改变渲染计算，不是从稀疏RGB直接重建或无位姿模型。每像素采样数（samples per pixel，SPP）提供可调的噪声—速度接口（pp.2–3）。
方法与机制
各fragment按透明度随机接受为不透明样本，硬件Z-buffer留下最近被接受者，多次独立采样平均以估计alpha混合。不需要排序仍需投影、深度测试和图元遍历。固定深度模型的渲染估计无偏，但有限样本有噪声；真实几何也不由无偏保证（pp.3–4，Eqs.1–4、Listing1）。
梯度分三次渲染/重放计算，并用不同随机数解耦loss梯度与渲染梯度。作者只保证L2条件的无偏，任意非线性loss仍开放；L1/SSIM不能一概称无偏（pp.4–5，Eqs.5–9）。
朴素模式仍取高斯中心深度，popping不会自动消失。pop-free模式把billboard倾斜到最大密度曲面的线性近似，以保留硬件早剔除；更昂贵的完整体积混合另采样自由飞行距离（free-flight distance）。后者只有交叠高斯定性例，不能直接套快路径时间（pp.5–6，Figs.4–5；作者补充pp.12–13）。
主结果与比较条件
以下均是作者同表报告，未执行GPU复现。画质采用StopThePop已训练场景、128SPP精修1000步后改变渲染SPP；时间表比较不同硬件栈，不能全归因取消排序。
| MipNeRF360画质配置 | PSNR ↑ | SSIM ↑ | LPIPS ↓ | 原文定位 |
|---|---|---|---|---|
| 3DGS | 28.99 | 0.869 | 0.185 | p.6 Table1 |
| StopThePop | 28.79 | 0.870 | 0.181 | 同表 |
| 本法1SPP | 17.95 | 0.285 | 0.611 | 同表 |
| 本法16SPP | 26.25 | 0.714 | 0.351 | 同表 |
| 本法256SPP | 28.50 | 0.856 | 0.178 | 同表 |
| 本法1024SPP | 28.66 | 0.867 | 0.168 | 同表 |
采样多时LPIPS更好，但PSNR仍低于3DGS；不能把1SPP时间配上1024SPP画质。作者补充时间表实际列七场，场/视图平均，不等于已报告场景级区间。
| 前向毫秒 ↓ | 3DGS CUDA | 本法OpenGL 1SPP | 本法OpenGL 8SPP | 原文定位 |
|---|---|---|---|---|
| T1000 Max-Q | 65.08 | 16.23 | 37.51 | p.7 Table2 |
| RTX3090 | 8.14 | 3.25 | 15.31 | 同表 |
| RTX4090 | 5.60 | 1.85 | 6.71 | 同表 |
RTX4090低采样更快，8SPP已慢于CUDA对照。主表未明确列统一屏幕分辨率，附录还采用更紧包围盒和不透明度阈值；基底、图元、相机、采样及分辨率都应冻结后再判断算法因果。
| RTX3090 CUDA单次反向 | 时间 ↓ | 原文定位 |
|---|---|---|
| 3DGS | 23.06毫秒 | p.7 Table3 |
| 本法1SPP | 18.10毫秒 | 同表 |
| 本法8SPP | 33.19毫秒 | 同表 |
| 本法128SPP（精修配置） | 478.93毫秒 | 同表 |
渲染加速不等于训练加速；这里不含完整优化循环、原始训练或数据准备，也不能将OpenGL前向和CUDA反向混成未报告的端到端FPS。
语义任务、消融与反证
用LangSplat既有语义资产改renderer，LERF四场1SPP平均定位准确率从84.3降到82.0；Waldo-Kitchen从95.5降到86.4，其他三场持平。正文“does not harm”比表格支持范围更强。噪声在部分任务仍可用，不表示完全无损，也不证明建场与语言查询全链提速（p.8 Table4、Fig.10）。
采样量有同表量化，分辨率/tile曲线说明该实现简单降分辨率未必持续提速，但不是所有实现的普遍定律。TAA（temporal anti-aliasing，时域抗锯齿）累计历史帧并用三维位置检查遮挡，展示70帧后的选例；体积区域平均位置不可靠、遮挡时会重置，未报告长期ghosting分布或精确TAA增量（p.8 Figs.8–9；补充p.12）。完整组件消融、多种子、显著性、动态遮挡和真实GT几何未充分提供。
成本与复现边界
已有场景CUDA128SPP精修1000步平均约14分钟/RTX3090，无增密或剪枝；不包括原始SfM、建场和LangSplat教师特征准备。完整预算、峰显存及实际移动/VR延迟仍缺（p.6）。
作者代码固定提交 b218f025c93363ce851541d8a5c3d2b3020ece7c 的README给出基于Splatapult的OpenGL viewer：AB/ST/ST-popfree模式，后者需本法训练/精修资产；默认1SPP开启TAA，多采样时自动关闭。仅核README/许可，未审计shader或运行程序，不能由此确认完整CUDA训练管线已公开。MIT与arXiv稿CC BY4.0不替代第三方数据/资产许可。
相关页面与状态
- 3D Gaussian Splatting: Representation, Optimization, Geometry, and Dynamic Scenes：效率和语义判断新增采样、画质、反向及定位边界。
- 3D Gaussian Splatting：从稀疏点到实时新视角渲染：传统排序alpha混合路径。
- Speedy-Splat：精确tile覆盖与训练期裁剪的双层加速：通过裁剪及覆盖计算提速，机制与采样不同。
- gsplat：高斯泼溅实验的可微渲染库与工程基线：底座版本是公平对照变量。
- LangSplat：高斯语言特征与三级语义查询：离线语义资产和在线定位分账。
- 3D Gaussian Splatting Evidence Matrix：原表、成本和版本追踪。
作者v1完整核验与独立分析完成，来源状态reviewed；出版最终版本差异仍待查。原件、13页台账与审计保留内部raw层，公开状态另由实际发布收据记录。