一句话结论
JMLR软件论文提供PyTorch/CUDA可微Gaussian rasterization及可切换增密策略；同A100的Mip-NeRF360七场30k迭代基线，原实现26.19min/9.0GB/28.95 PSNR，gsplat 19.39min/5.6GB/29.00 PSNR（正式PDF主文p.4 Table1）。底层库版本与图元管理策略会改变效率实验的分母。
问题定义与方法
这是研究基础设施：输入高斯中心/协方差参数、颜色/透明度、相机外参和内参，输出RGB/alpha及可回传高斯与相机位姿的梯度；16×16 tile排序与前向α合成在CUDA实现。p.2 Fig.1的13行示例标明v1.3.0，只是单高斯渲染，不包含完整图像求位姿或前馈场景重建；补充pp.10–17 Eqs.7–49给透视投影、一阶Jacobian、反向链、像素中心约定。
API可切换ADC、Absgrad与MCMC增密，另有相机pose梯度、累计/期望深度、多通道特征和二维抗混叠；Absgrad/MCMC/Mip的原始方法贡献归属原论文，gsplat此处是可复用实现（主文p.3 Fig.2/§3、补充pp.7–9）。二维滤波是Mip的一部分，完整3D低通需另证。
实验、反证与计算边界
A100、PyTorch 2.1.2 / CUDA 11.8，Mip-NeRF360七场、同ADC策略与近似配置，对原3DGS复现。p.4 Table1的7k迭代时间4.64 → 3.36min、显存7.7 → 4.3GB、PSNR均27.23；30k则26.19 → 19.39min、9.0 → 5.6GB、28.95 → 29.00。本文摘要“up to 10% less training time and 4x less memory”与这组表格的分母/幅度不同，以上采用明确表格口径。p.4 Table2比较库内部配置：默认3.24M图元、5.62GB、19.39min、PSNR29.00、LPIPS.1357；Absgrad 2.47M、4.40GB、18.10min、29.11、.1241；MCMC一百万图元1.98GB、15.42min、29.18、.1446；抗混叠3.38M、5.87GB、19.52min、29.03、.1389。MCMC或抗混叠的PSNR小幅上升伴随LPIPS变差；补充pp.9–10 Tables3–6提供逐场PSNR/SSIM/LPIPS/显存，不能把图元数量变化当作纯CUDA收益。
该软件论文未列GT网格、跨GPU统一渲染FPS、重复种子方差及COLMAP全流程账；相机梯度也以已知初始相机为起点。纸面Fig.1 v1.3.0与持续维护的GitHub main应按固定commit/依赖/策略核对；代码Apache-2.0、论文CC BY 4.0，未执行GPU复现。2025年2月发表，published_at按月首占位。与原3DGS、MCMC、Mip和Speedy-Splat对照时固定数据七场、相机、GPU、增密、图元数与库版本，报告训练、峰显存、渲染、PSNR和LPIPS；总览三维高斯泼溅：表示、优化、几何与动态任务。官方17页PDF含主文6页与后接11页补充，原件与独立分析在raw/ingest/2026-09-25-gsplat/。