近日，摩尔线程携手中国科学院计算技术研究所，在摩尔线程全功能GPU的软硬件生态协同方面取得重要突破。双方依托摩尔线程旗舰级AI训推一体智算卡 MTT S5000 的强大算力，联合完成了高斯泼溅解耦表示与重照方法DeferredGS的全栈国产化适配。这一里程碑不仅验证了摩尔线程全功能GPU卓越的算力与底层生态兼容能力，也为国产自主可控的三维重建与渲染技术落地提供了新的范式。

近年来，高斯泼溅作为一种高效的可微三维表示方法，在实现高质量、实时渲染的同时，相比传统神经辐射场方法具备更高的训练效率，已在三维重建、数字人、虚拟现实与数字孪生等领域快速发展。中国科学院计算技术研究所团队提出了高斯泼溅解耦表示与重光照方法DeferredGS（如图1所示），该方法引入了延迟渲染管线，并将场景的几何属性与材质进行解耦，实现了高斯泼溅场景的实时重光照。这种设计从根本上避免了几何属性对输入光照的过拟合，使重光照效果更加真实可信。

图1：高斯泼溅解耦表示与重光照方法DeferredGS示意图

DeferredGS的研发与实现，离不开国产深度学习框架的有力支撑。计图（Jittor）是由清华大学计算机系图形学实验室完全自主研发的开源深度学习框架。基于元算子和统一计算图的创新架构，在算子优化效率和异构硬件适配方面具有显著优势。为系统性地推动高斯泼溅技术生态建设，中国科学院计算技术研究所基于计图框架，推出了计图高斯库。该库一方面将高斯泼溅技术拓展至几何变形、渲染优化、属性解耦与重光照、风格化等多样化任务，另一方面提供统一的算法接口与高效训练框架，显著降低了高斯泼溅方法的复用门槛。而此次适配的DeferredGS方法，正是集成于计图高斯库中的一项核心技术，代表了当前高斯泼溅在材质解耦与重光照方向的前沿水平。

过往，DeferredGS这类包含优化高斯泼溅光栅化与延迟渲染管线的复杂方法，长期依赖海外GPU底层生态进行训练与推理。为了打破这一生态壁垒，探索全国产、全栈自主可控的软硬件路径，双方团队开展了深度的底层适配工作。依托摩尔线程完善的MUSA软件栈，团队成功完成了国产深度学习框架计图、高斯泼溅光栅化与延迟渲染管线GPU算子的MUSA迁移。基于扎实的底层框架适配，团队在摩尔线程MTT S5000上完整复现了DeferredGS的训练与推理（如图2所示）。这一成果有效提升了高斯泼溅这一前沿三维生成与渲染技术在国产GPU上的可用性与可复现性，大幅降低了对海外GPU生态的依赖，是一套自主可控的全国产软硬件协同方案。

图2：DeferredGS 在摩尔线程全功能GPU上的渲染结果（右）

从底层算力到深度学习框架，从三维重建算法到渲染管线，这套完全自主的全国产解决方案，是国产GPU生态在复杂科研与产业应用方向上的一次重要探索。随着更多开发者加入国产技术栈，一个自主、开放、繁荣的软硬件协同生态正在加速形成，为中国在下一代图形学与人工智能领域的竞争中赢得主动。

基于摩尔线程MUSA的计图框架代码已在Github开源（https://github.com/IGLICT/Jittor_MUSA ），开发者通过pip安装该版本计图后即可使用，无需其他环境配置，基于计图的深度学习算法开发教程请参考计图官方教程https://cg.cs.tsinghua.edu.cn/jittor/ 。

*以上内容来自如下参考文献，以及摩尔线程实验室。

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.