3D Gaussian Splatting（3DGS）重建出的场景通常包含数百万个高斯点，每个点的位置、协方差、颜色和不透明度等参数默认使用32位浮点数（FP32）存储，模型文件体积动辄数百MB甚至数GB。把FP32参数转换为FP16或INT8格式可以直接降低每个参数的存储位宽，从而减小模型体积。从参数构成出发，分别讨论FP16和INT8量化的实现方式、精度影响以及工程落地策略。
3DGS参数的存储构成与体积来源
每个高斯点需要存储的参数量比较可观。以常见的实现为例，位置向量占用3个float，协方差矩阵通常用四元数（4个float）加缩放向量（3个float）来表示，不透明度占用1个float，颜色如果采用球谐函数表示，最高三阶球谐系数多达48个float。合计算下来，单个高斯点大约有59到62个浮点数。FP32格式下每个浮点数占用4字节，一个高斯点就需要约240字节。
当场景中的高斯点数量达到500万时，仅参数存储就会超过1.2GB。这还不包括辅助数据结构。如此大的体积对存储、网络传输和显存加载都造成压力。量化的核心思路就是利用低精度数据类型替代FP32，例如FP16每个参数占2字节，INT8每个参数占1字节，理论上可以将模型体积缩小到原来的二分之一或四分之一。不同的参数量化敏感度不同，后面会具体分析。
FP16量化：低风险且易实施的压缩
FP16半精度浮点数占用16位，能表示的数值范围约为负65504到正65504，精度约为3位十进制有效数字。对于3DGS中的大部分参数来说，这个范围和精度足够维持渲染质量。把模型从FP32转到FP16操作非常直接，只需在保存前调用半精度转换即可，代码示例如下：
import torch
# 加载FP32模型
model = torch.load("gaussian_model_fp32.pth")
for name, param in model.items():
if isinstance(param, torch.Tensor) and param.dtype == torch.float32:
# 原地或拷贝转为FP16
model[name] = param.half()
torch.save(model, "gaussian_model_fp16.pth")
加载FP16模型后可以直接使用半精度张量送入渲染管线，也可以在需要时转换回FP32。实际测试中，FP16量化后的模型体积减少约50%，渲染结果与原始FP32模型相比几乎没有可感知的差异，PSNR、SSIM等指标下降幅度通常小于0.1dB。不过仍有一些细节需要注意：某些GPU或算子对半精度支持不完善，需要回退到FP32计算；另外当高斯点坐标数值绝对值较大时，FP16可能发生上溢，因此建议在训练阶段对坐标做归一化处理，使其分布在有限范围内。
还有一点值得关注，FP16模型的推理速度不一定比FP32快。如果没有专门的半精度运算单元，框架可能会自动将半精度张量转换成FP32进行计算，此时只能获得存储体积和显存带宽上的收益，计算速度提升有限。但对移动端和Web端部署来说，体积和带宽本身就是关键瓶颈。
INT8量化：体积再减半但需处理精度损失
INT8量化将浮点数映射到0到255的整数区间，每个参数只占1字节，体积为FP32的四分之一。量化公式通常为 q = round(x / scale + zero_point)，其中scale由张量的最小值和最大值决定，zero_point用于调整零点偏移。反量化时用 x ≈ (q - zero_point) * scale。下面是一个简单的非对称INT8量化实现：
def quantize_int8(tensor):
min_val = tensor.min()
max_val = tensor.max()
scale = (max_val - min_val) / 255.0
zero_point = (-min_val / scale).round().clamp(0, 255)
q_tensor = ((tensor - min_val) / scale).round().clamp(0, 255).to(torch.uint8)
return q_tensor, scale, zero_point
def dequantize_int8(q_tensor, scale, zero_point):
return (q_tensor.to(torch.float32) - zero_point.to(torch.float32)) * scale
直接把所有高斯参数统一做INT8量化往往会带来明显的几何形变和颜色偏差。原因在于不同参数的数值分布差异很大：位置坐标可能跨越数米到数十米，协方差矩阵的特征值可能非常小，INT8只有256个量化级别，对宽范围分布的参数量化误差会很大。更稳妥的做法是只对颜色、不透明度和球谐系数这类范围相对集中的参数做INT8量化，而对位置和协方差参数保留FP16甚至FP32。
如果必须对位置参数做INT8量化，可以采用分块量化（per-block quantization）而不是整个张量共用一个scale。分块量化将张量划分成小块，每个块单独统计最小值和最大值，从而减小量化步长，提高精度。代价是需要额外存储每块的scale和zero_point，但通常这部分元数据体积占比很小。此外还可以在量化后对模型进行少量微调，让高斯参数适应量化噪声，恢复一部分渲染质量。
混合精度量化与工程落地建议
工程实践中很少采用单一的FP16或INT8量化整个模型，混合精度方案能更好地平衡体积和画质。比较常见的策略是：位置、四元数和缩放参数使用FP16存储；球谐系数、颜色和不透明度使用INT8存储。这样既能将整体体积压缩到原始FP32的三分之一左右，又能把几何参数的精度损失控制在很低的水平。
自定义二进制格式可以进一步减少加载开销。例如将不同参数按固定顺序写入文件，头部记录各参数块的精度类型和量化元数据，加载时按块反量化并组装成张量。下面是一段保存混合精度模型的示例代码：
import torch
import numpy as np
def save_mixed_precision(model, path):
buffers = {}
for name, param in model.items():
if name in ["xyz", "rotation", "scaling"]:
# FP16
buffers[name] = param.half().cpu().numpy().tobytes()
buffers[name + "_dtype"] = "fp16"
else:
# INT8
q, scale, zero_point = quantize_int8(param)
buffers[name] = q.cpu().numpy().tobytes()
buffers[name + "_scale"] = scale.cpu().numpy()
buffers[name + "_zero_point"] = zero_point.cpu().numpy()
buffers[name + "_dtype"] = "int8"
# 实际项目中可用np.savez或自定义二进制写入
np.savez_compressed(path, **buffers)
在渲染阶段，反量化后的参数可以保留为FP16或直接转换为FP32交给光栅化器。需要评估显存占用：混合精度模型的显存占用约为FP32的四分之一到三分之一，对于大场景意味着可以把更大的模型放入显存，这对实时渲染尤其重要。
量化后的质量评估与调优方法
量化完成后必须用客观指标和主观观察来评估渲染质量。常用的客观指标包括PSNR、SSIM和LPIPS，在多个视角下与原始FP32模型渲染结果对比。FP16量化通常无需调优即可通过评估，而INT8量化后的模型可能需要额外步骤。如果发现局部区域出现颜色偏移或几何走样，可以针对这些区域的参数增加量化位宽，或者改用per-block量化。
另一种有效的方法是量化感知优化。在3DGS场景优化过程中，正向传播使用量化后的参数计算渲染结果，反向传播更新原始浮点参数，使参数逐步适应量化误差。经过几千次迭代后，即使使用INT8量化，渲染质量也能接近FP16水平。这比简单的后训练量化代价更高，但在要求严格的场景中值得采用。
总体来说，FP16量化是几乎所有3DGS模型都值得尝试的低风险压缩手段，而INT8量化适合对体积有极致要求的场景。通过混合精度和量化感知优化，可以在减小模型体积的同时保持可接受的渲染画质。