论文地址：https://arxiv.org/abs/2501.01677
这个文章介绍的PG-SAG技术，是基于3DGS实现的卫星遥感图像的三维重建。
他们对3DGS进行了大量优化，所有技术都围绕 “让 3DGS 适配大规模城市建筑的细粒度重建” 展开，在效果和效率上都实现了很大的提升，下面是他们的优化点
一、场景分组与并行化技术（解决 “大规模” 问题）
语义优化
先通过 LSA（Language Segment-Anything）（语言版 SAM）以 “building” 为提示词分割建筑掩码，再用多视图投票滤波优化掩码（剔除错误 / 冗余像素），最后结合 DBSCAN 聚类 + 相机可见性分析，将大规模建筑区域划分为独立子组。
对 3DGS 的优化作用：
限定 3DGS 的优化范围仅为建筑区域（避免背景非建筑区域的高斯干扰）；
每个子组可分配到不同 GPU 并行优化高斯核，解决 “同步优化所有高斯核算力不足” 的问题；
非建筑区域采用地理划分策略，与建筑子组协同优化，保证整体场景的完整性。
梯度约束的负载均衡损失
传统 3DGS 并行渲染时，不同像素对应的高斯数量差异大→GPU 线程负载失衡→等待时间长；PG-SAG 引入图像梯度权重（复杂场景 / 高梯度区域允许更多高斯方差），约束每个像素的高斯数量分布。
对 3DGS 的优化作用：
平衡 GPU 线程负载，减少训练时间（论文中约减少 12%）；
兼顾场景复杂度，避免为了负载均衡牺牲建筑细粒度特征的重建精度。
二、损失函数改进技术（解决 “细粒度” 问题）
核心目标：修正传统 3DGS 在建筑边缘的失真，提升 3DGS 模型的几何精度。
边界感知法向损失
原理：传统 3DGS 的法向损失对所有像素权重一致，建筑边缘处局部平面假设失效→法向模糊→深度图误差；PG-SAG 基于优化后的建筑掩码提取边缘，对边缘像素赋予自适应小权重（0.1） ，非边缘像素权重为 1。
对 3DGS 的优化作用：
从源头修正建筑边缘的高斯法向向量，避免边缘高斯的法向模糊；
让 3DGS 渲染的深度图更精准，为后续提取高质量 Mesh 打下基础。
多损失融合的优化目标
原理：将多视图几何一致性损失、光度一致性损失、高斯扁平化损失、边界感知法向损失 融合为几何损失，再结合负载均衡损失构成整体损失函数，并设置合理权重（如几何损失权重远大于负载损失）。
对 3DGS 的优化作用：
同时约束高斯的几何精度（位置、法向）、外观精度（颜色）和分布效率，避免单一损失导致的偏科；
保证 3DGS 优化过程的稳定性，减少训练时的震荡。
三、高分辨率适配技术（解决 “精度损失” 问题）
核心目标：让 3DGS 能直接处理原始高分辨率图像，而非依赖下采样。
原理：传统 3DGS 为了降低算力消耗，会下采样输入图像→丢失建筑细粒度特征；PG-SAG 通过 “语义分组 + 并行优化”，将高分辨率图像的计算压力分散到多个 GPU，无需下采样。
对 3DGS 的优化作用：
保留原始图像的像素细节（如屋顶纹理、建筑尖角），让 3DGS 能建模更细粒度的建筑特征；
避免下采样导致的重建精度下降，这是 PG-SAG Mesh 结果优于其他方法的核心原因之一。
总结
PG-SAG 对 3DGS 的优化核心可归纳为 3 个关键点：
分组并行：通过语义分组实现大规模场景的 3DGS 并行优化，解决算力瓶颈；
损失修正：通过边界感知法向损失 + 负载均衡损失，提升 3DGS 的几何精度和计算效率；
高分辨率适配：无需下采样，让 3DGS 能利用原始图像细节建模细粒度建筑特征。
这些技术均直接作用于 3DGS 的优化阶段（而非 Mesh 提取阶段），最终让 3DGS 模型本身的精度和效率大幅提升，这也是后续 Mesh 结果更优的根本原因。
