近日，摩爾線程攜手中國科學院計算技術研究所，在摩爾線程全功能GPU的軟硬件生態協同方面取得重要突破。雙方依托摩爾線程旗艦級AI訓推一體智算卡 MTT S5000 的強大算力，聯合完成了高斯潑濺解耦表示與重照方法DeferredGS的全棧國產化適配。這一里程碑不僅驗證了摩爾線程全功能GPU卓越的算力與底層生態兼容能力，也為國產自主可控的三維重建與渲染技術落地提供了新的范式。

近年來，高斯潑濺作為一種高效的可微三維表示方法，在實現高質量、實時渲染的同時，相比傳統神經輻射場方法具備更高的訓練效率，已在三維重建、數字人、虛擬現實與數字孿生等領域快速發展。中國科學院計算技術研究所團隊提出了高斯潑濺解耦表示與重光照方法DeferredGS（如圖1所示），該方法引入了延遲渲染管線，并將場景的幾何屬性與材質進行解耦，實現了高斯潑濺場景的實時重光照。這種設計從根本上避免了幾何屬性對輸入光照的過擬合，使重光照效果更加真實可信。

圖1：高斯潑濺解耦表示與重光照方法DeferredGS示意圖

DeferredGS的研發與實現，離不開國產深度學習框架的有力支撐。計圖（Jittor）是由清華大學計算機系圖形學實驗室完全自主研發的開源深度學習框架。基于元算子和統一計算圖的創新架構，在算子優化效率和異構硬件適配方面具有顯著優勢。為系統性地推動高斯潑濺技術生態建設，中國科學院計算技術研究所基于計圖框架，推出了計圖高斯庫。該庫一方面將高斯潑濺技術拓展至幾何變形、渲染優化、屬性解耦與重光照、風格化等多樣化任務，另一方面提供統一的算法接口與高效訓練框架，顯著降低了高斯潑濺方法的復用門檻。而此次適配的DeferredGS方法，正是集成于計圖高斯庫中的一項核心技術，代表了當前高斯潑濺在材質解耦與重光照方向的前沿水平。

過往，DeferredGS這類包含優化高斯潑濺光柵化與延遲渲染管線的復雜方法，長期依賴海外GPU底層生態進行訓練與推理。為了打破這一生態壁壘，探索全國產、全棧自主可控的軟硬件路徑，雙方團隊開展了深度的底層適配工作。依托摩爾線程完善的MUSA軟件棧，團隊成功完成了國產深度學習框架計圖、高斯潑濺光柵化與延遲渲染管線GPU算子的MUSA遷移。基于扎實的底層框架適配，團隊在摩爾線程MTT S5000上完整復現了DeferredGS的訓練與推理（如圖2所示）。這一成果有效提升了高斯潑濺這一前沿三維生成與渲染技術在國產GPU上的可用性與可復現性，大幅降低了對海外GPU生態的依賴，是一套自主可控的全國產軟硬件協同方案。

圖2：DeferredGS 在摩爾線程全功能GPU上的渲染結果（右）

從底層算力到深度學習框架，從三維重建算法到渲染管線，這套完全自主的全國產解決方案，是國產GPU生態在復雜科研與產業應用方向上的一次重要探索。隨著更多開發者加入國產技術棧，一個自主、開放、繁榮的軟硬件協同生態正在加速形成，為中國在下一代圖形學與人工智能領域的競爭中贏得主動。

基于摩爾線程MUSA的計圖框架代碼已在Github開源（https://github.com/IGLICT/Jittor_MUSA ），開發者通過pip安裝該版本計圖后即可使用，無需其他環境配置，基于計圖的深度學習算法開發教程請參考計圖官方教程https://cg.cs.tsinghua.edu.cn/jittor/ 。

*以上內容來自如下參考文獻，以及摩爾線程實驗室。

1. Shi-Min Hu, Dun Liang, Guo-Ye Yang, Guo-Wei Yang, and Wen-Yang Zhou, Jittor: a novel deep learning framework with meta-operators and unified graph execution, Science China Information Sciences, 2020, 63(12), 222103.

2. Tong Wu, Jia-Mu Sun, Yu-Kun Lai, Yuewen ma, Leif Kobbelt, Lin Gao*, "DeferredGS: Decoupled and Relightable Gaussian Splatting With Deferred Shading," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 47, no. 8, pp. 6307-6319, Aug. 2025, doi: 10.1109/TPAMI.2025.3560933.