3D Gaussian Splatting（3DGS）是近几年 3D 重建领域最火的技术路线之一。但它有一个致命瓶颈：显存。
每个高斯原语都携带一个很大的属性向量，当原语数量增长到千万级时，参数表就会超出 GPU 容量。此前在消费级单 GPU 硬件上，系统最多只能处理几千万个高斯。
TideGS 这篇被 ICML 2026 接收为 Spotlight 的论文，把天花板直接顶到了 10 亿+——而且只需要一张 24GB 的 GPU。
核心洞察：3DGS 训练天然是稀疏的
团队的出发点很聪明：3DGS 训练本质上是稀疏的、轨迹条件化的。
每次迭代只激活从当前相机批次可见的那些高斯。这意味着 GPU 显存不需要作为持久的参数存储器，而是可以充当工作集缓存——只把当前需要的那部分高斯加载进来。
三项协同技术
TideGS 通过 SSD-CPU-GPU 三层存储层级来管理参数：
1. 块虚拟化几何（Block-Virtualized Geometry）
SSD 对齐的空间局部性。把 3D 空间分块组织，确保物理上相邻的高斯在存储上也相邻，减少 I/O 碎片。
2. 分层异步管线
重叠 I/O 和计算。一边在 GPU 上训练当前批次，一边从 SSD 预取下一批需要的高斯数据，两者互不阻塞。
3. 轨迹自适应差分流
只传输迭代间的工作集增量。不是每次都全量加载，而是计算哪些高斯的状态变了，只传输变化的部分。
性能规模
对比数字一目了然：
- 标准内存内训练：约 1100 万 高斯
- 此前 out-of-core 基线：约 1 亿 高斯
- TideGS：超过 10 亿 高斯
在大规模场景上，TideGS 在重建质量上也优于评估过的单 GPU 基线。
为什么值得关注
3D 重建正在从实验室走向实际应用——自动驾驶、数字孪生、AR/VR 都需要处理城市级的大规模场景。TideGS 让单 GPU 就能处理十亿级高斯的训练，大幅降低了大规模 3D 重建的硬件门槛。
论文地址：arXiv:2605.20150