在线工具推荐： Three.js AI纹理开发包 – YOLO合成数据生成器 – GLTF/GLB在线编辑 – 3D模型格式在线转换 – 3D场景编辑器
3D 高斯泼溅（Splatting）是用于实时辐射场渲染的 3D 高斯分布描述的一种光栅化技术，它允许实时渲染从小图像样本中学习到的逼真场景。 本文将详细介绍它的工作原理以及它对图形学的未来意味着什么。
1、什么是 3D 高斯泼溅？
3D 高斯泼溅的核心是一种光栅化技术。 这意味着：
- 有描述场景的数据。
- 在屏幕上绘制数据。
- 类似于计算机图形学中的三角形光栅化，用于在屏幕上绘制许多三角形：
然而，它不是三角形，而是高斯分布。 这是一个栅格化的高斯函数，为了清晰起见，绘制了边框：
高斯泼溅由以下参数描述：
- 位置：它所在的位置 (XYZ)
- 协方差：如何拉伸/缩放（3×3 矩阵）
- 颜色：它是什么颜色（RGB）
- Alpha：透明度如何 ()
在实践中，会同时绘制多个高斯曲线：
这是三个高斯。 那么 700 万高斯呢？
这是每个高斯光栅化完全不透明的样子：
这是对 3D 高斯分布的非常简短的概述。 接下来，让我们逐步完成本文中描述的完整过程。
1、3D高斯泼溅原理
3D高斯泼溅的实现原理分为一下几个部分：
- 运动结构恢复：利用SfM得到点云
- 点云转高斯分布
- 模型训练
- 光栅化
1.1 运动结构恢复
第一步是使用运动结构恢复 (SfM: Structure from Motion) 方法从一组图像中估计点云。 这是一种从一组 2D 图像估计 3D 点云的方法。 这可以通过 COLMAP 库来完成。
1.2 转换为高斯分布
接下来，每个点都转换为高斯分布。 这对于光栅化来说已经足够了。 然而，只能从 SfM 数据推断位置和颜色。 为了学习产生高质量结果的表示，我们需要对其进行训练。
1.3 模型训练
训练过程使用随机梯度下降，类似于神经网络，但没有层。 训练步骤为：
- 使用可微分高斯光栅化将高斯光栅化为图像（稍后详细介绍）
- 根据光栅化图像和地面真实图像之间的差异计算损失
- 根据损失调整高斯参数
- 应用自动致密化和修剪
步骤 1-3 从概念上讲非常简单。 第 4 步涉及以下内容：
- 如果对于给定的高斯梯度很大（即它太错误），则分割/克隆它
- 如果高斯很小，则克隆它服务器托管网
- 如果高斯很大，则将其分割
- 如果高斯的 alpha 太低，请将其删除
此过程有助于高斯更好地拟合细粒度细节，同时修剪不必要的高斯。
1.4 可微分高斯光栅化
如前所述，3D 高斯分布是一种光栅化方法，它将数据绘制到屏幕上。 然而，一些重要的元素还包括：
- 快速
- 可微分
光栅化器的原始实现可以在这里找到。 光栅化涉及：
- 从相机角度将每个高斯投影为 2D。
- 按深度对高斯进行排序。
- 对于每个像素，从前到后迭代每个高斯，将它们混合在一起。
这篇论文中描述了其他优化。
光栅化器是可微分的也很重要，这样就可以用随机梯度下降来训练它。 然而，这仅与训练相关 – 训练有素的高斯也可以用不可微的方法呈现。
2、谁关注3D高斯泼溅？
为什么 3D 高斯溅射受到如此多的关注？ 显而易见的答案是结果不言自明 – 这是高质量的实时场景。 然而，故事可能还有更多。
关于高斯泼溅还能做什么还有很多未知数。 它们可以动画化吗？ 即将发表的论文《动态 3D 高斯：通过持久动态视图合成进行跟踪》表明他们可以。 还有许多其他未知数。 他们能做反思吗？ 可以在没有参考图像训练的情况下对它们进行建模吗？
最后，人们对嵌入式人工智能的研究兴趣日益浓厚。 这是人工智能研究的一个领域，最先进的性能仍然低于人类性能几个数量级，其中大部分挑战在于表示 3D 空间。 鉴于 3D 高斯分布可以产生非常密集的 3D 空间表示，这对具身AI 研究有何影响？
这些问题需要注意方法。 实际影响如何还有待观察。
3、图形学的未来
那么这对图形学的未来意味着什么呢？ 好吧，让我们将其分为优点/缺点：
优点
- 高品质、逼真的场景
- 快速、实时光栅化
- 训练速度相对较快
缺点
- 高 VRAM 使用率（4GB 用于查看，12GB 用于训练）
- 大量磁盘占用（一个场景 1GB+）
- 与现有渲染管道不兼容
- 静态（暂时）
到目前为止，原始的 CUDA 实现尚未适应生产渲染管道，如 Vulkan、DirectX、WebGPU 等，因此还有待观察会产生什么影响。
目前已经进行了以下适应性工作：
- 远程查看器
- WebGPU查看器
- WebGL 查看器
- Unity查看器
- 优化的 WebGL 查看器
这些依赖于远服务器托管网程流传输 (1) 或传统的基于四元组的光栅化方法 (2-5)。 虽然基于四元组的方法与数十年的图形技术兼容，但它可能会导致质量/性能降低。 然而，查看器 #5 表明，尽管采用基于四元组的方法，优化技巧仍可以带来高质量/性能。
那么我们会看到 3D 高斯泼溅在生产环境中完全重新实现吗？ 答案可能是肯定的。 主要瓶颈是对数百万个高斯进行排序，这在原始实现中使用 CUB 设备基数排序（一种仅在 CUDA 中可用的高度优化的排序）有效完成。 然而，只要付出足够的努力，在其他渲染管道中当然可以达到这种性能水平。
原文链接：3D高斯泼溅 — BimAnt
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
