论文题目跳蛋 露出

3D Gaussian Splatting: Survey， Technologies， Challenges， and Opportunities

摘抄

3D高斯泼溅(3DGS)依然成为一种杰出的时期，有可能成为3D暗示的主流方法。该算法不错通过高效的检修，将多视图图像灵验地转念成显式的三维高斯暗示，已毕新视图的及时渲染。本考查旨在从多个交叉的角度，包括干系的任务、时期、挑战和机遇，分析现存的3d打印干系责任。主要宗旨是为生手提供对该领域的快速瓦解，并协助研究东谈主员丝丝入扣地组织现存时期和挑战。具体来说，咱们深入研究了3DGS的优化、应用和扩展，并阐发它们的温文点或动机对它们进行了分类。此外，咱们对现存责任中发现的九种时期模块和相应的改进进行了总结和分类。基于这些分析，咱们进一步研究了各式任务中的共同挑战和时期，提倡了潜在的研究契机。

1先容

神经辐照场(NeRF)的出现依然燃烧了对追求传神3D内容的特等大的酷好。尽管比年来NeRF时期取得了长足的高出，显赫提高了其实质应用的后劲，但其固有的效率挑战仍未得到处置。3D高斯溅射(3DGS)的引入坚硬地处置了这一瓶颈，已毕了1080p分辨率下的高质地及时(≥30 fps)新视图合成。这一快速发展赶快引起了研究东谈主员的极大温文，并导致了干系责任的激增。

由于3DGS的效率和可控的显式暗示，它的应用扩展到各式领域。其中包括增强编造践诺(VR)和增强践诺(AR)的千里浸式环境，提高机器东谈主和自主系统的空间相识，电影和动画中的先进视觉后果，以及城市策动和建筑等。

为了匡助读者快速掌持3DGS的研究进展，咱们对3DGS特等下流任务进行了全面的概述。本考查系统地汇编了对于该主题的最蹙迫和最新的文件，提供了详确的分类和研究他们的要点和动机。但是，咱们发目下不同的任务中不行幸免地会提到特等数目的类似时期。因此，咱们进一步总结和分类了3DGS的各个时期模块，如运行化、属性竖立、正则化等。基于此在时期总结中，咱们旨在匡助读者申报不同时期之间的量度，并增强3DGS的各个组件以自尊他们的定制任务。此外，咱们研究了3DGS中各式下流任务和时期之间的相互关系，系统地姿首了四个主要挑战，以促进该领域的将来研究。临了，咱们强调了现存研究的局限性，并提倡了处置中枢挑战和激动这一快速发展领域的有但愿的道路。

诚然已有一些研究总结了3DGS的最新进展[1]，[2]，[3]，但咱们的宗旨是对3DGS的干系任务和时期进行系统研究和细粒度分类，并分析它们之间的共性和挑战，如图1所示。

图片

具体而言，本考查的主要孝敬如下:

1)本考查研究了3DGS特等各式繁衍产物任务，包括3DGS的优化、应用和扩展。与现存的综述不同，咱们提供了基于焦点或动机的更详确的分类，使读者概况更全面地了解任务并成就研究标的。

2)更蹙迫的是，咱们综合分析了现存文件中3DGS中各式时期的增强，并进行了详确的分类和深入的研究。这使读者概况辩认各式改进时期之间的共性，从而匡助他们将其应用于定制任务。

3)在分析现存责任和时期的基础上，找出与3d打印干系的任务之间的共性和关联，总结中枢挑战。

4)在处置共同挑战方面，本考查申报了潜在的契机，并提供了深切的分析。

5)咱们依然在GitHub上发布了一个开源款式，用于编译3dgs干系的文章，并将络续在该款式中添加新的作品和时期。https://github.com/qqqqqqy0227/awesome-3DGS。咱们但愿更多的研究东谈主员不错使用它来获取最新的研究信息。

如图2所示，本考查的结构组织如下:第2节姿首了3D高斯飞溅(3DGS)的布景和细节，强调了其相对于Neural Implicit Fields和Point-based Rendering的上风。第3节留意于优化3DGS，以处置重建过程中碰到的挑战。第4节总结了3DGS的应用，并研究了其鄙人游任务中的已毕。第5节概述了3DGS的扩展，探索了增强其原始功能的方法。第6节整合了改进3DGS模块的各式时期。第7节讲究了不同任务和时期之间的相互关系，并总结了中枢挑战。临了，章节8概述了将来研究的有但愿的道路，处置了现存的挑战和时期优化，章节9总结了本次考查。

应该指出的是，本考查并未提供数据集的概述;详确信息不错在之前的综述[3]，[4]中找到。此外，在文章的前半部分，咱们主要姿首了现存的作品何如处置3DGS的下流任务，此后半部分则侧重于时期。诚然提到了一些重复的作品，但效用点和内容有所不同。

2初步

2.1神经隐式场

神经内隐场表征在最近的研究中引起了极大的温文[5]，[6]。这些方法将二维或三维信号主意化，将其重构为相应欧几里得空间中的场，愚弄突破样本来检修近似这些场的神经集聚。这种方法有助于原始突破样本的重建，插值和外推，从辛苦毕2D图像的超分辨率和3D场景的新视图合成等应用。在3D重建和新视图合成的特定布景下，神经辐照场(Neural Radiance Fields， NeRF)[7]愚弄神经集聚将3D场景的几何体式和外不雅建模为密度场和辐照场。NeRF遴荐体绘制时期，成就了三维现场到二维图像的映射关系，从而不错从多个二维图像中重建三维信号，已毕新颖的视图绘制。在该领域现时起初进的方法中，Mip-NeRF 360[8]因已毕超卓的渲染质地而脱颖而出，而Instant-NGP[9]因其超卓的检修效率而引东谈主端庄。

但是，神经隐式场方法严重依赖于体绘制过程来得回渲染像素。这个过程需要沿着每条射线采样几十到几百个点，并将它们输入神经集聚以产生最终的成像收尾。因此，渲染一张1080p的图像需要梗概108次神经集聚前向传递，这通俗需要几秒钟。诚然有些作品遴荐显式的、突破的结构来存储一语气的3D字段，从而最大限制地减少了对神经集聚的依赖，加速了字段暗示的查询过程[9]，[10]，[11]，采样点的数目仍然会导致极高的渲染本钱。这种基于体绘制的方法无法已毕及时绘制，从而抑制了其鄙人游任务中的适用性。

2.2基于点的渲染

由于一语气的3D字段不区分场景中已占用和未占用的空间，因此在体绘制过程中，精深采样点位于未占用的空间中。这些采样点对最终渲染收尾的孝敬很小，导致渲染效率很低。比拟之下，突破点云端示只纪录了3D场景中果真被占用的部分，提供了一种更高效、更精准的暗示场景的方式。基于点云的渲染依赖于栅格化而不是速即采样，允许使用现代gpu进行及时渲染。

但是，现存的基于点云的高质地可微渲染方法通俗依赖于预构建的点云或需要密集的点云重建。这些方法在检修过程中莫得进一步优化点云结构[12]，[13]，[14]，导致渲染质地高度依赖于运行点云质地，使最终图像容易出现伪影或不正确的外不雅。

2.3 3D高斯溅射

三维高斯飞溅[15]结合了神经隐式场和基于点的渲染方法的优点，在保持基于点的渲染智商的同期，得回了前者的高保真渲染质地，如图3所示。

图片

具体来说，3DGS将点云中的点界说为具有体积密度的3D高斯基元:

图片

其中Σ为三维协方差矩阵，x为距点(高斯均值)µ的位置。为了保证协方差矩阵的半正驯顺性，3DGS将协方差矩阵从头参数化为旋转矩阵R和缩放矩阵S的组合:

图片

其中三维缩放矩阵S不错用三维向量S暗示，旋转矩阵R通过可学习的四元数q得到，共有7个可学习的参数。与通俗使用的保证矩阵半正驯顺性的Cholesky分解比拟，3DGS使用的重参数化方法诚然引入了额外的可学习参数，但有益于对高斯基元施加几何料理(举例，料理缩放向量以使高斯基元具有平坦化特征)。除了几何属性外，每个高斯原语还存储一个不透明度α和一组可学习的球面谐波(SH)参数，以暗示与视图干系的外不雅。因此，通盘原语的联结不错看作是一个突破的暗示，它只存储神经场的非空部分。

在绘制过程中，3DGS使用EWA飞溅方法[16]将三维高斯基元投影到二维成像平面上，并使用α混共策画最终像素豪情。对于每个像素，这种渲染过程类似于神经领域中使用的突破步地的体绘制，使3DGS概况构建复杂的场景外不雅并已毕高质地的渲染。为了已毕高帧率、高分辨率的可微分渲染，3DGS使用了基于tile的光栅化器。该光栅化器发轫将图像别离为16 × 16块，并为每个块分派索引。对于每个高斯原语，光栅化器驯顺原语的投影与哪些原语相交，并为每个相交的原语生成一个键值对:键是64位的，上头的32位暗示原语的索引，底下的32位暗示高斯原语的投影深度。通过构造这些键值对，光栅化器只需要对通盘键值对实施全局排序，从而排斥了为每个像素对原语进行额外排序的需要。排序之后，从每个tile派生的键值对驻留在一语气的内存停止中。然后，每个贴图的渲染过程由CUDA线程块管理，每个块中的线程数与贴图中的像素数相匹配。每个线程谨慎其对应像素的α搀杂过程，从而完成最终渲染。

在检修开头时，运行高斯基元要么从Structure-from-Motion提供的寥落点云运行化，要么速即运行化。高斯基元的运行数目可能不及以已毕高质地的场景重建;因此，3DGS提供了一种自恰当抑制高斯基元的方法。该方法通过不雅察每个高斯原语在视图空间中的位置属性的梯度来评估原语是“欠重构”如故“过度重构”。在此基础上，该方法通过克隆或分割高斯基元来加多高斯基元的数目，以增强场景暗示智商。此外，通盘高斯原语的不透明度如期重置为零，以迂缓优化过程中存在的工件。这种自恰当过程允许3DGS以更小的运行高斯集开头优化，从而迂缓了昔日基于点的可微渲染方法所需要的对密集点云的依赖。

3 .三维高斯溅射的优化

3.1效率

效率是评价三维重建的中枢方针之一。在本节中，咱们将从三个角度姿首它:存储、检修和呈现效率

3.1.1存储效率

3DGS需要数百万个不同的高斯原语来恰当场景中的几何体式和外不雅，这导致了很高的存储支出:室外场景的典型重建通俗需要几百兆到几千兆的显式存储空间。给定不同高斯基元的几何和外不雅属性可能是高度相似的，单独存储每个原语的属性可能导致潜在的冗余。

因此，现存的研究[17]、[18]、[19]主要辘集在应用矢量量化[20](Vector quantiization， VQ)时期对精深高斯原语进行压缩。Compact3D[18]愚弄VQ将不同的属性压缩成四个对应的码本，并将每个高斯的索引存储在这些码本中，以减少存储支出。在成就码本后，通过码本将检修梯度复制并反向传播到原始的非量化高斯参数，同期更新量化和非量化参数，并在检修完成时丢弃非量化参数。此外，Compact3D遴荐了运行长度编码来进一步压缩排序后的索引值，从而提高了存储效率。类似地，Niedermayr等东谈主[19]提倡了一种基于忠良度感知k-means的忠良度感知矢量量化时期来构建码本[21]，并愚弄DEFLATE压缩算法[22]进一步压缩检修好的码本。经过检修后，提倡了一种量化感知的微调政策来复原由于VQ而丢失的信息。

此外，一些研究[23]、[24]、[25]旨在制定修剪政策或压缩SH参数。一些文章[23]、[24]同期筹商了两者。LightGaussian[24]引入了基于全局显赫性评分的高斯剪枝政策和高次球谐参数的精馏政策。通常，Lee等东谈主[23]的责任引入了可学习掩模来减少原始高斯数，并引入了和洽的基于哈希网格的外不雅域[9]来压缩豪情参数。与上述责任不同，自组织高斯[25]不使用传统的非拓扑VQ码本来压缩精深高斯函数。相背，它遴荐自组织映射的主意将高斯属性映射到相应的二维网格中。二维网格中的拓扑关系反应了原始属性空间中的拓扑关系，从而允许将拓扑结构化二维数据的压缩算法应用于无序高斯原语。

此外，还有一些研究[26]、[27]侧重于提高高斯暗示的效率。Scaffold-GS[26]遐想了锚点和其他属性，以便灵验地暗示，这些属性具有转念为3DGS的智商。基于这种抒发，Scaffold-GS提倡了一套多分辨率体素网格上锚点滋长和修剪的政策。GES[27]引入了广义指数(GEF)搀杂物来取代高斯暗示，它具有灵验拟合苟且信号的智商。通过为GEF遐想快速可微光栅化和调频图像圆寂，GES概况在保持性能的同期使用较少数目的GEF原语。

少妇白洁全集

3.1.2 检修效率

提高检修效率对3DGS来说也很蹙迫。DISTWAR[28]引入了一种先进的时期，旨在加速基于栅格的可微分渲染应用模范中的原子操作，由于精深的原子更新，这些应用模范通俗在梯度策画时间碰到严重的瓶颈。通过在原子更新中愚弄原子局部性，并处置原子通讯在warp之间的可变性，DISTWAR使用寄存器在SM子核上已毕了warp级别的线程减少。此外，它在SM和L2原子单元之间动态地分派原子策画。这种纯软件已毕使用现存的warp级原语来最小化指向L2的原子操作的数目，从而显赫提高隐约量。

3.1.3渲染效率

及时渲染是基于高斯方法的中枢上风之一。一些提高存储效率的责任不错同期提高渲染性能，举例，通过减少高斯原语的数目。在这里，咱们将研究有助于这些高出的其他责任。

在对3DGS进行检修后，[29]的责任是基于空障碍近度和对最终渲染的2D图像的潜在影响，通过离线聚类来事先识别和根除无须要的高斯原语。此外，这项责任引入了一个专门的硬件架构来复古这种时期，与GPU比拟，已毕了10.7倍的加速。GSCore[30]提倡了一种硬件加速单元，用于优化3DGS在亮度场渲染中的渲染管谈。GSCore在分析高斯排序和栅格化的性能瓶颈的基础上，引入了高斯体式感相知叉测试、分层排序和幽微跳转等优化时期。在GSCore中已毕这些时期不错使迁移gpu的平均加速速率提高15.86倍。

3.2 传神渲染

Photorealism亦然一个值得温文的话题[31]。DGS有望在各式场景中已毕传神的渲染。

一些[32]，[33]侧重于在原始竖立下进行优化。为了迂缓对SfM运行化的依赖，GaussianPro[32]引入了一种翻新的合资2D3D检修范式。成就在3D平面的界说和补丁，在匹配时期方面，提倡了一种渐进式高斯传播政策，该政策愚弄3D视图和投影关系的一致性来优化渲染的2D深度和法线图。在几何滤波和取舍过程之后，优化的深度和法线贴图被用于密度化和额外的监督，最终已毕精准的几何暗示。FreGS[33]将监督过程迁移到频域，并愚弄二维突破傅立叶变换的幅度和相位属性来迂缓三维图像中的过度重构。基于这一想想，FreGS引入了一种频域指令的粗精退火时期来排斥不但愿的伪影。

多模范渲染性能的急剧下落亦然一个值得温文的话题[34]，[35]。这项责任[34]发轫分析了低分辨率和远距离渲染下频域混叠的原因，愚弄多模范高斯来处置这个问题。然后，界说像素笼罩范围，以反应与现时像素大小比拟的高斯大小。基于这个主意，它识别小高斯，并将它们团聚成更大的高斯，用于多模范检修和取舍性渲染。Mip-splatting[35]通常从采样率的角度处置了这个问题，它引入了一个基于Nyquist定理的高斯低通滤波器，阐发通盘不雅察样本的最大采样率来料理三维高斯的频率。为了处置混叠和扩张伪影，Mip飞溅用2D Mip滤波器取代传统的2D扩张滤波器，该滤波器近似于2D盒滤波器。与检修阶段的修改不同，SA-GS[36]在测试时间仅通过2D比例自恰当滤波器操作，使其适用于任何预检修的3DGS。

其他作品试图重建具有挑战性的场景，如反射名义[37]，[38]，[39]和Relightable[40]。GaussianShader[37]通过使用搀杂豪情暗示并整合镜面GGX[41]和法向估量模块来重建反射名义，其中包括漫射豪情、径直镜面反射和残余豪情组件，该组件不错解释散射和障碍光反射等平静。此外，在检修过程中，GaussianShader在3DGS中引入了暗影属性和法向几何一致性料理。mirror -3DGS[38]加多了一个可学习的镜像属性来驯顺镜子的位置，并引入了一个编造镜像视点来匡助在原始3DGS的基础上重建镜子场景。SpecGaussian[39]用各向异性球面高斯(Anisotropic Spherical Gaussian)代替蓝本的3DGS来构建具有镜面和各向异性重量的场景，并引入基于锚点的暗示[26]以提高效率。

可调光3D高斯(R3DG)[40]暗示使用可调光点的3D场景，每个点由法线标的、BRDF参数和入射照明表征，其中入射光被分解为全局和局部组件，具有与视图干系的可见度。然后，在R3DG中遐想了一种新的基于规模体档次的基于点的光辉追踪时期，以已毕高效的可见性烘烤和及时渲染，并具有准确的暗影后果。DeblurGS[42]处置了由严重磨蹭引起的相机姿势不准确的挑战，这破裂了通达结构(SfM)的灵验性。DeblurGS通过估量每个磨蹭不雅察的6目田度(6-DoF)相机通达并合成相应的磨蹭渲染来优化明锐的3D场景。本文还先容了一种用于检修厚实性的高斯精采化退火政策

3.3泛化和寥落视图

在寥落视图竖立下的泛化和重建问题一直是学术界温文的焦点。隐式暗示(如NeRF)和显式暗示(如3DGS)在实质应用中都面对着巨大的冗忙，因为每个场景都需要从头检修，何况对密集样本输入的需求很高。在本节中，咱们将研究他们的实验竖立，并提供对现存作品的更详确的了解。

3.3.1可推行的三维高斯飞溅

现存的可泛化的3D重建或新颖的视图合成任务的宗旨是愚弄普通的接济数据集来学习与场景无关的暗示。在NeRF[43]，[44]，[45]的研究中，该过程通俗是输入少许(1-10)个姿态相邻的参考图像来推断宗旨图像。辐照场行动一个中介，灵验地幸免了明确的场景重建的需要，并将任务更动为一个场景不行知的新式视图合成问题。

比拟之下，3DGS的明确暗示导致了精深的责任辘集在使用参考图像径直推断相应的高斯基元的每像素基础上，随后被用于从宗旨视图渲染图像。为了已毕这一丝，Splatter Image[46]等早期作品提倡了一种将图像转念为高斯属性图像的新范式，从而预计每个像素对应的高斯原语。然后将此范例扩展到多个参考图像，以得回更好的渲染性能。

但是，与NeRF中的泛化悉力不同，可泛化3DGS的检修难度较着加多。不行微精采化等操作会对泛化检修过程产生负面影响。为了叮属这些挑战，pixelSplat[47]旨在从使用极极变压器结构[44]索取的特征中预计概率深度分散，并对该分散进行采样以替换不行微重量。

此外，基于多视图立体(MVS)的方法在场景重建和新视图合成方面取得了显赫的告捷，特别是引入了本钱体积，增强了集聚的空间瓦解智商。与MVSNeRF[48]中的方法类似，MVSplat[49]提倡使用三维空间中的平面扫描来暗示代价体积，并在寥落参考输入中预计深度，精驯顺位高斯基元的中心。这种方法为新的视图合成提供了有价值的几何踪影。

此外，一些研究[50]、[51]侧重于引入三平面来已毕泛化智商。文件[50]先容了基于参考特征的点云端示解码器和三平面暗示解码器。通过并行解码，它们构建结合显式点云和隐式三面场的搀杂暗示，使高斯解码器概况在位置查询后径直预计高斯属性。基于类似的暗示，AGG[51]引入了一种基于伪标签的运行化方法和多阶段检修政策。该政策包括粗高斯生成，然后使用参考图像特征进行超分辨率生成，从而产生详确的输出。

3.3.2寥落视图竖立

从寥落输入重建存在要紧挑战，其中3DGS的方法基本上类似于NeRF，其目的是开发新的正则化政策并整合补充信息，如深度数据。

Chung等东谈主[52]提倡使用单目深度估量模子来预计深度图，随后使用SfM[53]对深度图进行细化，以得回精准的深度范围。此外，他们的责任结合了深度平滑损构怨两种针对有限样本场景量身定制的改进时期。在深度监督的基础上，FSGS[54]引入了一种接近指令的高斯上采样方法来加多数目，并通过2D先验模子集成新的伪视图，以进一步缓解过拟合。

随后，Touch-GS[55]在机器东谈主感知应用中扩展了触觉感知的范例。触觉感知数据与单目深度信息对皆后，基于隐式名义暗示灵验预计相应的深度和不驯顺性图，用于增强运行化和优化过程。

此外，DNGaussian[56]从正则化的角度探讨了这个问题，提倡了两种不同的正则化:硬深度和软深度，以处置场景几何的退化问题。然后，DNGaussian引入了全局和局部深度归一化方法，以提高对局部深度幽微变化的忠良度。

一些研究辘集在运行化和检修政策上。GaussianObject[57]引入了一种基于Visual Hull的运行化政策和一种愚弄距离统计数据来排斥飘零物的优化方法。此外，GaussianObject遐想了一个高斯开垦模块，其中包括数据采集、检修和推理范例，从而愚弄预检修模子来处置寥落视点条件下的装扮和信息丢失问题。

4 三维高斯溅射的应用

由于其效率和传神的渲染后果，3DGS在各式应用领域进展出色，包括数字东谈主体重建，东谈主工智能生成内容(AIGC)和自动驾驶等。在前东谈主探索的基础上，3DGS可径直行动中枢时期应用于多个研究领域，灵验取代传统的3D暗示方式。

4.1东谈主体重建

3DGS在数字东谈主体干系任务中的应用，包括东谈主体重建、动画和东谈主体生成，依然引起了研究界的普通温文。最近的作品不错阐发重建的部分进行分类。

4.1.1东谈主体重构

东谈主体重构主如若在多视角或单目视频中重构可变形的东谈主体化身，并提供及时渲染。咱们在表1中列出了近期作品的比较。

图片

大多数研究[58]、[60]、[61]、[62]、[63]倾向于使用事先构建好的东谈主类模子，如SMPL[66]或SMPLX[67]行动强先验常识。但是，SMPL仅限于引入对于东谈主体自身的先验常识，因此对服装和头发等外部特征的重建和变形提倡了挑战。

对于外不雅的重建，HUGS[60]仅在运行阶段使用SMPL和LBS，允许高斯原语偏离运行网格，以准确地暗示服装和头发。Animatable Gaussian[65]使用一个不错适当外不雅的模板行动指挥，并愚弄StyleGAN来学习posedependent高斯映射，增强了对详确动态外不雅建模的智商。GaussianAvatar[61]遴荐了一种捕捉毛糙全局外不雅的特征，该特征与姿势特征相结合。然后将这些组合的特征输入到解码器中以预计高斯基元的参数。DGS-Avatar[63]引入了一种非刚性变换模块，该模块愚弄多级哈希网格编码器对3D位置进行编码，并将其与位姿潜相勾通，形成浅MLP集聚的输入，该集聚预计高斯在某些位姿下的位置、模范和旋转的偏移量。

此外，某些研究[60]，[62]取舍不愚弄这一秉性，从而缩小变形的复杂性，促进更快的渲染速率。但是，这些方法也引入了一定进度的失真。一些研究将问题空间从3D投影到2D，从而缩小了复杂性，并概况愚弄老到的2D集聚进行参数学习。ASH[64]提倡通过变形集聚生成与通达干系的模板网格，并从该网格预计与通达干系的纹理映射。然后，二维集聚通过生成的纹理图预计高斯参数。类似地，Animatable Gaussian[65]将模板网格东谈主体模子从表率空间投影到两个二维平面(正面和后头)上，并在这些空间中学习高斯属性。gps -高斯[59]通过引入高斯参数图(Gaussian Parameter Maps)来处置可泛化的东谈主类新视图合成问题，这种图不错径直总结，而无需对每个主题进行优化。该方法辅以深度估量模块，将2D参数图擢升到3D空间。

4.1.2头部重建

在东谈主类头部重建领域，像大多数使用SMPL行动强先验的管谈一样，GaussianAvatars[68]的责任集成了FLAME[69]网格，为3DGS提供先验常识，以已毕超卓的渲染质地。该方法抵偿了FLAME网格无法准确描述或追踪的细节和元素。但是，高斯头像[70]品评使用火焰网格和线性搀杂皮肤(LBS)面部变形，刺目到这些相对浅近的线性操作难以捕捉复杂面部豪情的幽微死别。相背，它建议使用MLP来径直预计高斯函数从中性抒发式更动为宗旨抒发式时的位移。这种方法有助于渲染高分辨率头部图像，已毕高达2K的分辨率。

4.1.3其他

此外，3DGS还在其他与东谈主类干系的领域推出了翻新的处置决策。GaussianHair[71]专注于东谈主类头发的重建，使用解析的圆柱形高斯模子仇敌发进行建模。同期，专门引入了高斯毛发散射模子，进一步增强了对结构的拿获，使重建的链在不同光照条件下都能以高保真度渲染。Gaussian Shadow Casting for Neural Characters[72]的研究侧重于各式视角和通达下的暗影策画，发轫使用NeRF从输入的东谈主体姿势和检修图像中重建密度、法线和倒映率值的体积。随后，它将NeRF输出密度映射与一组各向异性高斯函数拟合。高斯暗示已毕了更灵验的光辉追踪和延伸渲染时期，取代了传统的采样过程，从而加速了暗影的策画。此外，一些研究[73]，[74]探讨了3DGS与生成模子的集成，这将在4.2节中研究。

4.2东谈主工智能生成内容(AIGC)

东谈主工智能生成内容(AIGC)愚弄东谈主工智能时期自主生成内容。最近，基于3DGS生成3D (XY Z)暗示的方法激增。在本章中，咱们阐发教唆的类型和它们生成的对象系统地对现代算法进行分类。类别包括图像到3d对象生成、文本到3d对象生成、多对象和场景生成、4D生成(XY Z−T)，如图4所示。底下，咱们将概述这些类别中的干系责任。

图片

4.2.1 T文本到3D对象

目下，精深的研究悉力于扩展分数蒸馏采样(SDS)[79]，它在这方面起着至关蹙迫的作用，旨在使用蒸馏范式径直生成具有多视图一致性的3D暗示。为了进一步申报SDS，咱们将三维暗示暗示为θ，将可微渲染过程暗示为g(·)，从而将渲染图像暗示为g(θ)。DREAMFUSION[79]确保来自每个录像机视点的渲染图像免除来自预检修扩散模子φ的简直样本。在实践中，他们愚弄现存扩散模子的分数估量函数ϵϕ(xt， t， y)，其中ϵϕ阐发噪声图像xt和文本条件y预计采样噪声。因此，分数蒸馏圆寂的梯度为θ，

图片

自后的作品普通遴荐了这种方法，或其改进的变体，行动生成的主要监督。一些作品[75]、[80]、[81]侧重于改进框架，将分数蒸馏圆寂应用于3DGS。

DreamGaussian[75]是一项将扩散模子与3DGS相结合的早期责任，它遴荐了两阶段的检修范式。该方法成就在分数蒸馏采样(SDS)的基础上，通过从3DGS中索取显式网格暗示来确保生成模子的几何一致性，并在UV空间中细化纹理以提高渲染质地。与此同期，Chen等东谈主[80]的责任引入了Point-E[82](或其他文本到点云模子)以及3D分数蒸馏圆寂来指挥第一阶段的3D几何生成。在第二阶段，遴荐基于密度的精采化，进一步细化发电质地。类似地，GaussianDreamer[81]遴荐了疏通的基本主意;但是，它的区别在于遴荐噪声点增长和豪情扰动等政策来处置运行化过程中点云密度不及的问题。

但是，分数蒸馏的寻模范式通俗导致生成的收尾过饱和、过度平滑和清寒细节，这在NeRF的干系责任中得到了普通的研究[83]。GaussianDiffusion[84]引入变分高斯来迂缓二维扩散模子的不厚实性，并结合结构化噪声来增强三维一致性。

也有一些责任侧重于改进SDS。luciddream[85]处置了传统SDS固有的过度平滑和采样法子不及的挑战。通过引入驯顺性扩散轨迹(DDIM[86])和基于区间的分数匹配机制Eq. 9，已毕了超卓的生成质地和效率。随后，Hyper-3DG[87]成就在luciddream[85]的基础上，通过引入超图[88]来探索贴片高斯原语之间的关系。通常，LODS[89]分析了检修和测试过程之间的内在不一致性以及SDS中大型CFG (Classifier-Free Guidance)导致的过平滑效应。为了叮属这些挑战，LODS提倡了一组额外的可学习的无条件镶嵌和LoRA (low-rank Adaptation)的低秩参数[90]。

分数蒸馏圆寂在AIGC中也不错替代。IM-3D[91]识别了与分数蒸馏圆寂干系的优化艰苦。因此，它试图微调现存的图像到视频生成模子，以生成多视图空间一致的图像(视频)。这些生成的多视图图像然后用作3DGS生成的监督。类似地，LGM[92]提倡了一种从文本或单个图像生成3DGS的新范式。它愚弄已有的集聚生成宗旨的多视图图像，并愚弄具有交叉视图自温文的基于非对称U-Net的架构重建不同输入下的三维模子。

作品[93]，[94]旨在仅使用前馈集聚生成，而不需要特定场景的检修。brightdream[93]旨在将3.3.1中所述的可轮廓暗示纳入文本到3D生成中，从而无需在特定场景中进行再培训即可径直创建3D模子。brightdream预计固定运行化后的位置偏移量，并对索取的文本特援引入一个文本指令的三平面生成器来预计3DGS的其他属性，从辛苦毕苟且文本到3D模子的转念。GVGEN[94]温文的是莫得三平面的前馈竖立，提倡了高斯体积行动可泛化生成的结构化轻量级暗示。在此基础上，GVGEN通过检修好的扩散模子生成高斯距离场，并愚弄它来指挥相应属性的预计。

一些作品[73]，[74]也试图将这种生成范式应用于数字东谈主类生成等领域。HumanGaussian[74]结合RGB和深度渲染来改进SDS，从而共同监督东谈主体外不雅和几何结构感知的优化。此外，它还引入了退火负教唆指挥和基于缩放的修剪政策来处置过饱和和浮动伪影。除了精深依赖于扩散模子的责任外，Abdal等东谈主[73]的责任还提倡了一种将3DGS与Shell Maps[95]和3D生成对抗集聚(GANs)框架相结合的新范式。通过愚弄高斯壳映射，该方法快速暗示东谈主体特等相应的变形。

4.2.2图像到3D对象

类似于NeRF的责任，最近的研究[77]，[96]也专注于从单个图像生成通盘3DGS。

Repaint123[77]免除类似于DreamGaussian[75]的过程，将这一过程分为粗优化阶段和细优化阶段。在粗化阶段，它使用预检修的Zero-123[97]行动监督，并使用SDS优化粗化3DGS。在精细阶段，Repaint123从第一阶段索取网格暗示，并提倡结合深度和参考图像来指挥新视图图像的去噪过程，确保视图之间的一致性。对于视图之间的类似和装扮区域，Repaint123遴荐可视性感知自恰当重绘方法来提高这些区域的重绘质地，然后用于微调3DGS。

FDGaussian[96]提倡了一种更径直的方法，将通盘生成过程分为多视图图像生成和3DGS重建。在生成阶段，FDGaussian通过正交平面解耦从图像中索取三维特征，优化基于0 -1- 3的多视图生成模子[97]。在重建阶段，通过基于抑制优化的方法，提高了3DGS的效率和性能基于高斯间距离和极外温文的交融政策。

4.2.3多宗旨和场景生成

在大多数应用场景中，除了单对象生成以外，多对象和场景生成更为蹙迫。

多宗旨生成:一些研究[78]、[98]探索了多个复合对象的生成，这些研究不仅温文单个对象，而且旨在研究多个对象之间的相互作用。CG3D[98]分别研究了这两个方面。对于单个物体的重建，CG3D在Alpha hull上引入K隔邻圆寂[99]，以确保预计的高斯原语均匀分散并辘集在物体名义。为了预计多个对象之间的相互作用，CG3D愚弄SDS和从文本中索取的概率图模子来预计对象之间的相对关系。临了，通过结合重力和物体之间的构兵关系等先验，CG3D已毕具有果真物理交互的模子。

为了简化这一问题，GALA3D[78]使用大型讲话模子(llm)生成的布局来指挥多个对象重建。GALA3D通过探索位置分散并阐发布局优化高斯基元的体式，生成合适指定布局的场景。此外，通过SDS监督单个对象和通盘场景的生成，并引入布局细化模块，GALA3D已毕了愈加传神和文本一致的生成收尾。

场景生成:与以对象为中心的生成不同，场景生成通俗需要结合额外的接济信息，举例预检修的单目深度估量模子，以已毕高精度运行化。为了已毕这一丝，LucidDreamer2[100]遐想了一个两阶段的生成范式。在第一阶段，LucidDreamer2愚弄预检修的文本到图像模子和单目深度估量模子来运行化点云，并在绘画模子中引入厚实扩散[101]来完成多视图一致的场景点云。第二阶段，使用生成的点云对3DGS进走运行化，并扩展监督图像，确保检修过程愈加通达。基于类似的范例，Text2Immersion[102]引入了姿势渐进生成政策来已毕更厚实的检修过程，并结合了放大视点和预检修的超分辨率模子来优化生成的场景。

4.2.4 4D生成

除了静态场景外，一些研究[76]、[103]、[104]依然开头深入研究动态3D场景。与使用文本到图像的SDS生成静态场景类似，东谈主们很当然地以为文本到视频的SDS可能会生成动态场景。

Align Your gauss (A YG)[103]明确地将问题分为两个阶段:静态3DGS重建和4DGS(动态3DGS)重建。在静态重建阶段，A YG将预检修的文本指令多视图扩散模子MVDream[105]和文本到图像模子结合起来，共同监督3DGS检修。在动态重建阶段，A YG提倡使用预检修的文本到图像和文本到视频模子来监督动态3DGS检修。此外，A - YG引入了简化的分数蒸馏圆寂来缩小检修的不驯顺性。

DreamGaussian4D[76]成就在DreamGaussian[75]的基础上，以单个参考图像行动输入，愚弄预检修的图像到视频模子以及多视图生成模子进行监督检修。GaussianFlow[104]旨在愚弄视频中的光流信息行动接济监督来接济4DGS的创建。与动态高斯责任Motion4D[106]类似，本研究发轫分析了高斯基元在三维空间中的通达与二维像素空间中的像素通达(光流)之间的关系。通过对光流对皆三维高斯通达，GaussianFlow不错已毕文本到4dgs和图像到4dgs的生成。但是，视频生成模子的不厚实性影响了基于sds的视频生成的性能。

4DGen[107]通过为给定视频的每一帧引入多视图生成模子来创建伪标签，取代视频生成模子，处置了这个问题。为了确保时辰一致性，4DGen愚弄来自Hexplane的多模范中间暗示[108]来料理高斯原语随时辰的平滑性，进一步提高4DGS生成质地。通常，在疏通的布景和实验竖立下，Fast4D[109]使用这些伪标签形成图像矩阵，并筹商时辰和空间维度(即行和列)的一语气性。愚弄图像矩阵行动监督，Fast4D提倡了一种新的随时辰变化的3DGS暗示[110]，以已毕高效和高质地的生成。

此外，一些研究[111]侧重于对现存静态3DGS进行动画化。为了将输入视频中的现存3DGS动画化，BAGS[111]引入了神经骨骼和蒙皮权来姿首基于正则空间的空间变形。愚弄扩散模子先验和刚体料理，不错手动操作BAGS来已毕新的姿态渲染。

4.3自动驾驶

在自动驾驶领域，3DGS主要应用于大限制驾驶场景的动态重构和组合SLAM应用。

4.3.1自动驾驶场景重构

驾驶场景重构是一项具有挑战性的任务，波及大限制场景重构、动态对象重构、静态对象重构、高斯搀杂重构等多个时期领域。

精深文件[112]、[113]、[114]将重建过程分为静态布景重建和动态宗旨重建。

DrivingGaussian[112]旨在愚弄多传感器数据重建自动驾驶中的大限制动态场景。在静态布景下，DrivingGaussian在不同深度箱下引入增量静态三维高斯函数，以迂缓迢遥街景酿成的模范羞辱。对于动态对象，驱动高斯引入动态高斯图来构造对象之间的关系多个宗旨(其属性包括位置、local-toworld坐标变换矩阵、标的等)，在静态布景下共同重构通盘自动驾驶场景。streetgauss[113]遴荐了类似的方法，重要的区别在于在重建布景和远景时引入了语义属性。此外，streetgauss使用傅里叶变换来灵验地暗示动态3DGS的SH时辰变化。在前东谈主研究的基础上，HUGS[114]结合了独轮车模子和正角速率建模，以协助在物理料理下进行动态重建。与之前的动态3DGS责任类似[106]，[115]，HUGS也遴荐光流监督，结合渲染RGB圆寂、语义损构怨Unicycle Model圆寂，从而提高动态重建精度。

此外，3DGS已被应用于多模态时空校准任务[116]。通过愚弄LiDAR点云行动高斯位置的参考，3DGS-Calib[116]构建了一语气的场景暗示，并在通盘传感器之间实施几何和光度一致性，与基于nerf的方法比拟，显赫减少了检修时辰，已毕了准确和稳健的校准。

4.3.2同期定位与制图(SLAM)

SLAM是机器东谈主时期和策画机视觉中的一个基本问题，即设备构建未知环境的舆图，同期驯顺其在该环境中的位置。SLAM的时期方法大致可分为传统方法、波及NeRF的时期和与3DGS干系的方法。其中，3DGS方法因其提供一语气名义建模、缩小内存要求、改进噪声和特地值处理、增强孔填充和场景开垦以及3D网格重建中的生动分辨率而脱颖而出[117]。

一些研究[118]、[119]、[120]、[121]、[122]保留了传统的SLAM输入，并从在线追踪和增量映射两个角度进行了研究。在早期的研究中，GS-SLAM[118]愚弄3DGS行动SLAM的场景暗示，并引入了自恰当扩展政策。该政策包括在检修阶段动态添加新的高斯原语，并阐发拿获的深度和渲染的不透明度去除噪声原语，从而促进通达时间的一语气场景重建。对于录像机追踪，GS-SLAM提倡了一种先进的从粗到精的优化政策。发轫，渲染一组寥落的像素来优化追踪圆寂，并得回相机姿态的运行豪爽估量。随后，基于这些粗相机位姿和深度不雅测，在三维空间中取舍可靠的高斯基元，在几何结构明确的重绘制区域指挥GS-SLAM，进一步细化粗相机位姿。通盘过程使用从头渲染圆寂进行监督。

Photo-SLAM[119]引入了一种新的SLAM框架，该框架具有超原语映射(Hyper Primitives Map)，它结合了ORB特征[123]和高斯属性。基于这种暗示，该框架愚弄LevenbergMarquardt (LM)算法[124]来优化投影关系的低化和几何映射。基于这些收尾，Photo-SLAM提倡了一种基于几何的精采化政策和基于高斯金字塔的学习机制来构建传神的映射。临了，该框架集成了闭环[123]，以进一步校正相机姿态，提高映射质地。

Gaussian-SLAM[121]通过将舆图别离为多个子舆图，每个子舆图分别重建，从而迂缓倒霉性渐忘，处置了映射挑战。对于相机追踪，作家不雅察到追踪精度受到3DGS外推智商的抑制，并建议结合DROID-SLAM的轨迹接济[125]来增强重建。该责任[126]解析导出了与录像机位姿干系的雅可比矩阵，提倡了一种高效的录像机位姿优化政策。在映射阶段，作家估量帧到帧的共可见性，并遐想了一个重要帧取舍和管理机制，该机制优先筹商具有低共可见性的帧行动重要帧。这保证了兼并区域内非冗余重要帧的灵验愚弄，从而提高了映射效率。

在前东谈主责任的基础上，RGBD GS-ICP SLAM[127]将广义迭代最近点(Generalized Iterative nearest Point， G-ICP)[128]算法集成到映射和追踪中。通过分享G-ICP和3DGS之间的协方差以及遴荐模范对皆时期，这项责任最大限制地减少了冗余策画并促进了快速拘谨。通常，Sun等东谈主[129]的责任也提倡了一种由孔洞和渲染过失指令的精采化政策，以绘制未不雅测区域并细化从头不雅测区域。此外，作家还遐想了一个新的正则化项来缓解倒霉性渐忘的问题。

语义很蹙迫，因为它们不仅提供了场景瓦解，而且还厚实了检修过程。SGS-SLAM[122]遴荐多通谈几何、外不雅和语义特征进行渲染和优化，并提倡了基于几何和语义料理的重要帧取舍政策，以提高性能和效率。此外，由于语义暗示的构建，SGS-SLAM概况剪辑对应于语义一致区域的3DGS。基于此，SEMGAUSS-SLAM[130]遐想了一个特征级的鲁棒性监督，并引入了一个基于特征的束疗养来迂缓追踪过程中的蕴蓄漂移。后续作品NEDS-SLAM[131]也遴荐了这一主意，引入语义特征接济SLAM优化，并结合DepthAnything[132]学习具有三维空间感知的语义丰富特征。此外，NEDS-SLAM还提倡了一种基于编造多视图一致性查验的剪枝方法来识别和排斥特地值。

此外，也有一些研究聚焦于干系问题，如定位[133]和导航[134]。3DGS- reloc[133]引入了激光雷达数据运行化来接济3DGS制图。在此基础上，它建议将3DGS子舆图别离为2D体素舆图，并愚弄kd树进行灵验的空间查询，从而减少GPU内存的过度铺张。临了，3DGS-ReLoc遴荐基于特征的匹配和视角-n-点(Perspective-n-Point， PnP)方法对查询图像的姿态进行迭代细化，在全局舆图中已毕精驯顺位。

在室内导航的布景下，GaussNav[134]侧重于实例图像导航(IIN)任务。基于重建的3DGS舆图，GaussNav提倡了一种图像宗旨导航算法，通过分类、匹配和旅途策动，取得了令东谈主印象深切的后果。

5 3d高斯飞溅的扩展

行动3D暗示的一项基本时期，3DGS不错进一步扩展以得回更多功能，包括动态3DGS[图5(a)]、3DGS的名义暗示[图5(c)]、可剪辑3DGS[图5(b)]、具有语义瓦解的3DGS[图5(d)]和基于3DGS的物理模拟[图5(e)]。

图片

5.1动态三维高斯飞溅

动态3DGS的研究最近引起了研究东谈主员的极大温文。动态场景重建卓绝了静态场景重建的局限性，可灵验应用于东谈主体动作捕捉、自动驾驶仿真等领域。与静态3DGS不同，动态3DGS不仅要筹商空间维度的一致性，还要筹商时辰维度的一致性，以确保随时辰推移的一语气性和平滑性。在这里，咱们阐发不同的重建输入将它们分为多视点视频和单视点视频。

5.1.1多视图视频

一些作品[135]、[140]尝试径直逐帧构建动态3DGS。

早期的责任[135]通过允许高斯函数随时辰迁移和旋转，同期保持历久的属性(如豪情、不透明度和大小)，将3DGS从静态场景扩展到动态场景。重构是暂时在线实施的，其中每个时辰步都使用前一个时辰步的暗示进走运行化。第一个时辰步行动优化通盘属性的运行化，然后在后续时辰步中固定这些属性，除了那些界说通达的属性。物理先验，包括局部刚度、局部旋转相似性和永久局部等距，使高斯函数的通达和旋转正则化，如式5-7所示。研究了布景信息相似、多视点录像机互异等身分对重建性能的影响。

类似地，3DGStream[140]为转型预计遐想了一个两阶段的检修过程。第一阶段，引入神经变换缓存和I-NGP[9]来重建动态3DGS。在第二阶段，3DGStream提倡了一种自恰当精采化政策，通过策画梯度运行化新的高斯位置。其他作品[141]，[142]旨在通过预计变形来已毕这种性能。SWAGS[141]引入了基于窗口的4DGS，将视频采样到多个窗口中以已毕永久的场景重建。为了保证每个窗口内的变形进度尽可能相似，引入了一种基于平均流量的自恰当窗口别离方法。然后使用动态MLP来指令优化温文动态区域。在多个采样窗口预计的基础上，SWAGS提倡使用相邻窗口类似帧的一致性来遐想自监督圆寂，微调通盘场景，从而排斥窗口别离的时辰不一语气。

5.1.2单目视频

一些单目动态3DGS作品[106]、[143]、[144]、[145]、[146]倾向于分为典型重建和变形预计两个阶段。

该研究[143]发轫在表率空间中重构了静态3DGS。然后，它将编码的位置和时辰t行动输入，阐发位置、旋转和比例输出偏移量。为了迂缓不准确姿势引起的过拟合问题，本研究引入了一种退火平滑检修范式，该范式包含线性衰减高斯噪声。在此基础上，GauFRe[144]提倡了一种将动态和静态场景建模解耦的范式，其中动态部分使用了类似于[143]的方法。D-GS[145]引入了多模范HexPlane[108]行动编码时空信息的基础暗示。为了优化检修过程，4D-GS遴荐多头解码器分别预计高斯基元的不同属性。MDSplatting[146]也在此基础上结合了[135]中提倡的局部刚度损构怨等长圆寂，并遐想了基于动量守恒定律的正则化项，使动态通达轨迹愈加平滑。此外，作家在解码部分加入了暗影预计，进一步增强了重建的果真感。Guo等[106]通过分析三维高斯通达与像素级流之间的对应关系，构建了一种流量增强方法，并引入了基于不驯顺性和动态感知的额外光流监督。此外，它还提倡了一种基于速率场的通达注入器和动态映射优化政策，以迂缓与预计变形干系的挑战。而不是突破的偏移量，探索时辰一语气通达不错提高时辰维度的平滑性。Katsumata等东谈主的责任[115]结合傅里叶近似随时辰和光流监督来模拟3DGS的属性变化，确保一语气变化而不引入过多的参数。

DynMF[147]以为，每个场景都由有限的固定数目的轨迹构成，并为空间通达引入了灵验的基函数。基于这些基函数，DynMF遐想通达总计来预计动态位置和旋转属性，并引入寥落性和刚度等料理来进一步提高优化性能。类似地，STG[148]提倡使用时辰干系的径向基函数来暗示不透明度属性，并使用参数化多项式来姿首高斯基元的通达和旋转。此外，引入了一种新的与时辰和视图干系的特征溅射范式来取代球面谐波的豪情。

Gaussian-Flow[149]旨在通过分析多项式[147]、[148]和傅立叶级数拟合[115]的优时弊，开发一种概况拟合可变通达的暗示。然后提倡了一种将两种方法相结合的模子，构建了双域变形预计模子。临了，引入了自恰当时辰步长缩放政策和时辰平滑和刚性圆寂来增强检修的厚实性和时辰一语气性。

SC-GS[150]旨在基于寥落抑制点压缩动态场景中的通达暗示。通过预计抑制点、径向基函数(RBF)核和变换的位置，使用线性搀杂蒙皮(Linear Blend skin)策画通盘动态场随时辰的通达[151]。基于该政策，SC-GS提倡了一种基于邻点RBF权重和梯度的抑制点自恰当剪枝克隆政策，该政策在3DGS剪辑中具有较强的适用性。

最近的作品[110]，[152]旨在将3DGS扩展到4D空间，以已毕动态3D场景的暗示。责任[110]通过将时辰维度直遴荐入三维暗示来已毕端到端的检修。其中枢想想是同期筹商空间变量(XY Z)和时辰变量(T)特等相互关系，而不是将它们视为孤立变量。对于四维高斯基元，遐想了旋转矩阵R∈R4×4的四维暗示和比例因子S(四维对角线)，并愚弄四维球面谐波进一步姿首豪情随时辰的变化。通常，研究[152]提倡了一种基于转子的四维高斯飞溅(4DGS)暗示，其中4DGS的旋转属性通过将四维转子分解为八个组件来暗示。这些重量，连同相应的参数，被用来姿首时空中的旋转。在暗示动态3DGS时，它在不同的时辰戳对4DGS进行切片，灵验地处置了高动态场景中物体的倏得出现或解除。此外，该方法通过引入四维一致性圆寂来增强四维空间的一致性。

5.2曲面暗示

诚然3DGS不错已毕高度传神的渲染，但索取名义暗示仍然具有挑战性。经过优化过程后，得到的暗示时常清寒有序结构，与实质曲面不投合适。但是，在许多责任历程中，基于网格的暗示仍然是首选，因为它们允许使用苍劲的器具进行剪辑、雕镂、动画和重照明。

在曲面重建中，有秀美距离函数(SDF)是一个不行衰败的课题。NeuSG[153]试图合资优化NeuS[154]和3DGS，并引入了几个正则化术语，包括Scale regularization、Normal regularization和Eikonal regularization[155]，以确保3DGS尽可能平坦并沿宗旨名义分散。

SuGaR[156]愚弄3DGS名义秉性来遐想联想的SDF。然后使用这种联想化的暗示来料理实质预计的SDF特等法线，从而饱读动优化的高斯函数更紧密地与物体名义对皆。然后，使用泊松重建，SuGaR从对皆的3DGS中索取网格，这比Marching Cubes算法更快，更具可扩展性[157]。此外，一个可选的细化法子将新的高斯函数绑定到网格并合资优化它们，从辛苦毕高质地的渲染和名义。

然后，3DGSR[158]旨在通过遐想一个可微的SDF到不透明度的转念函数，将神经隐式SDF与3DGS相结合，使3DGS的优化概况更新SDF。为了处置用突破3DGS优化一语气SDF的挑战，3DGSR建议加强从体绘制得回的深度(法线)与从3DGS推断的深度(法线)之间的一致性。GSDF[159]通常引入了一致性料理，遴荐了基于Scaffold-GS[26]和news[154]的双流集聚，将3DGS和神经隐式SDF结合在一齐。为了提高SDF的采样效率，GSDF愚弄来自3DGS分支的深度图来指挥射线采样过程，为了改善高斯基元在曲面上的分散，基于SDF分支遐想了一种几何感知的3DGS高斯密度抑制。

其他研究[137]，[160]，[161]旨在通过增强3DGS的内在属性来处置这一问题。这项责任[160]引入了一种称为高斯冲浪的新暗示，它进展出增强的名义重建智商。在此基础上，提倡了一种深度法向一致性圆寂来处置梯度解除问题，并提倡了一种体积切割政策来去除深度过失和不一语气区域中无须要的体素。临了，应用筛选泊松重建生成曲面网格。

高斯不透明度场(Gaussian Opacity Fields， GOF)[161]是基于3DGS开发的，其中3DGS沿光辉归一化形成1DGS进行体绘制。GOF还包含深度失真和法向一致性圆寂，便于从四面体网格中索取名义网格。类似地，2D高斯飞溅[137](2DGS)用平面磁盘代替3DGS来暗示在局部切平面内界说的名义。在绘制过程中，2DGS废弃了径直的仿射变换，使用三个非平行平面来界说射线片相交，然后在应用低通滤波器后进行光栅化。

5.3可剪辑的3D高斯飞溅

3DGS以其及时渲染、复杂场景再现、显式进展等上风，当然受到了温文3DGS剪辑的研究者的普通温文。不幸的是，目下可剪辑的3DGS作品时常清寒精准的培训监督，对剪辑提倡了要紧挑战。在本节中，咱们将阐发不同的任务对现存作品进行分类。

5.3.1 文本操作

为了叮属这一挑战，现存的作品不错分为两类。第一类引入分数蒸馏圆寂，如式3所示。与AIGC 4.2不同，这些方法需要剪辑教唆行动附加条件来指挥剪辑过程。

基于SDS， GaussianEditor[162]在3DGS剪辑中引入了语义抑制，已毕了基于语义的追踪和剪辑区域的自动屏蔽。更蹙迫的是，这项责任提倡了一个分层的3DGS和多代锚点丢失，这厚实了剪辑过程，迂缓了SDS的速即性影响。此外，GaussianEditor还先容了2D绘画时期，为对象删除和合并的任务提供指挥。继Dreamgaussian[75]之后，GSEdit[163]使用预检修的Instruct-Pix2Pix[164]模子代替图像生成模子来策画3DGS剪辑的分数蒸馏圆寂。

第二种是在重建3DGS之前对多视图2D图像进行门径剪辑。GaussianEditor2[165]愚弄多模态模子、大型讲话模子和分割模子，从给定的文本姿首中预计可剪辑的区域。然后，基于二维剪辑模子剪辑的图像，优化宗旨区域内的干系高斯基元。但是，这种模式引入了一个直不雅的问题:何如确保多视图剪辑的一致性。GaussCtrl[166]引入了深度指令的图像剪辑集聚ControlNet[167]，愚弄其在剪辑集聚中感知几何体式和保持多视图一致性的智商。它还在刺目层引入了潜在代码对皆政策，确保剪辑后的多视图图像与参考图像保持一致。该责任[136]旨在引入逆向渲染和三维潜在空间渲染，以保持刺目图上的一致性。引入了剪辑一致性模块和迭代优化政策，进一步增强了多视图一致性和剪辑智商。

与3DGS的剪辑方法不同，最近的研究越来越多地辘集在剪辑4DGS上。最近的责任Control4D[168]通过引入4D高斯平面(4D GaussianPlanes)深入研究了这一领域，该平面在结构上分解4D空间，以确保Tensor4d在空间和时辰维度上的一致性。基于高斯平面，遴荐超分辨率生成对抗集聚遐想4D生成器[169]，从扩散模子生成的剪辑图像中学习高斯平面上的生成空间，并遴荐多阶段渐进式指令机制，提高局部-全局质地

5.3.2其他条件操作

除了文本抑制剪辑以外，已有作品还探索了各式条件下的3DGS剪辑方法。TIP-Editor[170]需要提供剪辑文本、参考图像和剪辑位置来精细抑制3DGS。中枢时期包括分别学习现存场景和新内容的分步2D个性化政策，以及精准呈现的粗精剪辑政策。这种方法允许用户实施各式剪辑任务，举例对象插入和形状化。Point 'n Move[171]要求用户为要剪辑的对象提供带凝视的点。通过双阶段分割、从头绘制和重组法子，已毕对象的可控剪辑(包括对移除区域进行从头绘制)。

5.3.3 Stylization

在3DGS的格调迁移领域，早期的探索依然由[172]完成。与传统的格调迁移作品相似[173]，本作品在渲染图像上遐想了2D的格调化模块，在3DGS上遐想了3D的颜色模块。通过对皆两个模块的程式化2D收尾，这种方法在不改动几何体式的情况下已毕了多视图一致的3DGS程式化

5.3.4动画

如5.1所述，一些动态3DGS作品，如SCGS[150]，不错通过对寥落抑制点进行动画化来已毕动画后果。aigc干系的作品，如BAGS[111]，旨在愚弄视频输入和生成模子来动画化现存的3DGS。在东谈主类重建的布景下也提到了类似的研究。此外，CoGS[174]研究了何如抑制这个动画。基于动态暗示[135]，[143]，它使用一个小的MLP索取干系的抑制信号，并对皆每个高斯原语的变形。然后，CoGS为要剪辑的区域生成3D蒙版，以减少无须要的工件。

5.4语义瓦解

赋予3DGS语义瓦解智商，不错将2D语义模子扩展到3D空间，从而增强模子在3D环境中的瓦解智商。这不错应用于各式任务，如3D检测，分割和剪辑。

许多责任试图愚弄预检修的2D语义感知模子对语义属性进行额外的监督。早期的责任Feature 3DGS[175]将预检修好的2D基础模子索取出来，共同构建3DGS和Feature field。通过引入并行特征栅格化政策和正则化，使3DGS具有空间瓦解智商，并概况为下流任务遐想教唆式显式场景暗示。随后，高斯分组[176]引入了高斯群的主意，并扩展了身份编码属性来已毕高斯分组。这项责任提倡将多视图数据视为一个视图缓缓变化的视频序列，并愚弄预检修的宗旨追踪模子[177]来确保从SAM (Segment Anything)中得回的分割标签的多视图一致性[178]。此外，高斯群在2D和3D空间中都受到监督，并径直用于剪辑。类似地，这项责任[179]通过引入KNN聚类和高斯滤波来处置语义不准确问题，这不错料理支配的高斯并列斥迢遥的高斯。cosseggaussian[180]愚弄事先检修的点云分割模子与双流相结合特征交融模块。该模块将来自2D编码器的未投影2D特征与来自3D编码器的3D特征结合起来，阐发高斯位置的预计[15]。通过使用解码器和语义监督，cosseggaussian不错灵验地为高斯原语注入语义信息。

其他东谈主[138]，[181]，[182]则专注于将文本视觉对皆功能整合到洞开天下的瓦解中。一个蹙迫的挑战是CLIP特征的高维数，与原始高斯属性比拟，这使得径直检修和存储变得艰苦。该责任[138]通过从CLIP[183]和DINO[184]中索取和突破密集特征，将相应的一语气语义向量引入到3DGS中，这些密集特征用于通过mlp(如VQ-V AE[185])预计突破特征空间中的语义方针m。引入不驯顺性属性来姿首高斯基元的不厚实性和频繁变化，遐想自恰当空间平滑圆寂来故意缩小镶嵌的紧凑语义特征的空间频率。LangSplat[181]使用经过检修的自动编码器压缩场景特定的CLIP特征，以减少检修内存需求。为了已毕这一宗旨，LangSplat引入了分层语义——使用SAM构建的子部件、部件和合座[178]，它处置了跨多个语义级别的点歧义，并促进了对苟且文本查询的场景瓦解。随后，FMGS[182]通过引入多分辨率哈希编码器[9]缓解了大CLIP特征维度的问题。

5.5物理模拟

最近的悉力旨在将3DGS扩展到仿真任务。基于“你所看到的即是你所模拟的”的理念，PhysGaussian[139]重建了一个静态的3DGS行动待模拟场景的突破化，然后结合一语气介质力学表面和物资点法(Material Point Method， MPM)[186]求解器赋予3DGS物理属性。为了厚实基于旋转的变化外不雅并将颗粒填充到闲逸里面区域，PhysGaussian提倡了一种束缚发展的标的和里面填充政策

6时期分类

3DGS大致不错分为如下几个阶段，如图3所示:运行化、属性优化、飞溅、正则化、检修政策、自恰当抑制、后处理。此外，一些同期进行的责任旨在纳入补充信息和暗示，从而增强3DGS的智商。这些时期改进不仅提高了原始3DGS的渲染性能，而且还处置了繁衍作品中的特定任务。因此，本节深入探讨了3DGS的时期高出，旨在为干系领域的研究东谈主员提供有价值的观点。

6.1运行化

正确的运行化已被施展注解是至关蹙迫的，因为它径直影响优化过程[187]。3DGS的运行化通俗使用从结构-从通达(SfM)派生的寥落点或通过速即实施。但是，这些方法时常是不行靠的，特别是在弱监督信号下，如寥落视图竖立和生成任务。

组合预检修模子是一种可选的方法。在有限数目的3D样本上预检修3D模子并将其用作运行化先验是一种可行的政策[51]。这种方法不错在一定进度上提高运行化的性能，尽管其灵验性取决于所使用的数据。为了处置这一抑制，还引入了预检修的3D生成模子[80]，[81]，[87]或单目深度估量模子[100]，[102]用于运行化目的。此外，一些作品[80]提倡引入新的摄动点以已毕更全面的几何暗示。

改进运行化政策也很蹙迫。在分析SfM对频谱内低频信号拿获作用的基础上，遐想了寥落大方差(SLV)运行化，灵验地温文SfM识别的低频分散[187]。愚弄其他暗示也不错增强运行化智商。通过从粗参数点模子中驯顺局部V体积，在每个体积内运行化少许高斯函数，从而幸免了对宗旨的过多假定[188]。随后，提倡了一种基于Visual Hull的运行化政策，概况从四幅图像中获取结构先验[57]。

研究:精准的运行化有可能通过提高性能和确保厚实的检修过程，使3DGS的各式繁衍作品受益。

6.2属性扩展

3DGS的原始属性包括位置、比例、旋转、球面谐波(SH)总计和不透明度值。一些作品扩展了这些属性，使它们更适当下流任务。可分为对已有属性的改进和引入新属性两种，如图6所示。

图片

6.2.1改进属性

高斯的某些属性不错定制，从而使3DGS适用于更普通的任务。

模范:通过将z模范压缩为零，并结合对深度、法线或壳图的额外监督，作品[32]、[73]、[137]、[156]、[160]旨在改进高斯原语，使其更平坦、更合适用于名义重建，从而减少高斯几何重建中的不准确性。z标的不错近似为法线标的。类似地，模范料理抑制了长轴长度与短轴长度的比例[116]，[126]，[139]，确保高斯原语保持球形，以迂缓由过细的内核引起的不测长毛绒工件的问题。

SH:通过将哈希网格与MLP相结合，对对应的豪情属性进行编码，灵验处置了由于SH参数过多而导致的存储问题[23]。

不透明度:通过将透明度抑制为接近0或1，从而最小化半透明高斯原语的数目，作品[37]，[156]已毕了更明晰的高斯名义，灵验地迂缓了伪影。

高斯分散:通过引入体式参数，尝试用广义指数(GEF)搀杂物代替原始高斯分散[27]。传统3DGS不错看作是广义指数族(GEF)搀杂物(β = 2)的特殊情况，提高了高斯函数的暗示效率;

图片

6.2.2附加属性

通过添加新的属性和监督，不错增强3DGS原有的暗示智商。

语义属性:通过引入语义属性和相应的监督，增强了[113]、[114]、[122]、[130]、[131]、[175]等作品的空间语义相识，这对SLAM和剪辑等任务至关蹙迫。在对语义属性进行飞溅处理之后，使用2D语义分割图对3DGS的语义属性进行监督。此外，改进索取语义信息的方法[171]和引入高维语义文本特征，如CLIP和DINO特征[138]、[181]、[182]，已被用于处置更普通的下流任务。与语义属性类似，Identity Encoding属性不错对属于兼并实例或素材的3DGS进行分组，对于多对象场景愈加灵验[176]。

属性分散:使用重参数化时期学习分散式属性而不是固定值是防护3DGS局部最小值的灵验方法[84]，并迂缓其对3DGS自恰当抑制的依赖[47]。这些责任除了温文位置属性的分散预计外，还纳入了模范属性的分散[84]。通过对预计的属性分散进行抽样，得到用于溅射的高斯基元。

时辰属性:用时辰属性替换蓝本的静态属性是3DGS动画化的重要[109]，[110]，[113]，[152]。对于4D属性，包括旋转、比例和位置，现存的作品通过在特定时辰点取时辰片[152]或将t维与4D属性解耦[109]，[110]来在时辰步t上渲染3DGS。此外，4D SH的引入对于时变豪情属性至关蹙迫。为此，现存文件中一般遴荐傅里叶级数行动所遴荐的基函数，赋予SH时辰智商[110]，[113]。请刺目，由于波及不同的时辰步长，这些属性通俗需要基于视频的培训。

位移属性:位移属性是必不行少的，因为它们姿首了高斯基元的最终位置和运行位置之间的关系。这些属性不错阐发它们对时辰的依赖性进行分类。通俗使用与时辰无关的位移属性来校正毛糙的位置属性，不错像其他属性一样径直进行优化[46]，[63]。随时辰变化的位移属性不错姿首静态3DGS的位置变化，从辛苦毕动态暗示。这种方法通俗波及引入一个袖珍MLP来基于时辰步长t[143]、[144]、[145]和其他抑制信号[174]来预计位移。

物理属性:物理属性包含了普通的潜在属性，这些属性姿首了抑制高斯原语的客不雅物理规定，从而赋予了3DGS更果真的暗示。举例，不错愚弄漫反射色、径直镜面反射色、残余色、各向异性球面高斯等与暗影干系的属性进行镜面重建[37]、[38]、[39]。此外，引入暗影标量来暗示暗影[146]，并遴荐速率来暗示高斯原语的瞬态信息，这对于姿首动态秉性至关蹙迫[106]。这些属性通俗通过筹商特定渲染位置的物理属性的影响来更新[37]，[39]，[146]或通过合并补充监督信息，如历程图[106]。

突破属性:愚弄突破属性代替一语气属性是压缩高维暗示或暗示复杂通达的灵验方法。这通俗是通过将VQ码本的索引值[17]、[18]、[19]、[23]或通达基的通达总计[147]存储为高斯基元的突破属性来已毕的。但是，突破属性可能导致性能下落;将它们与压缩的一语气属性结合起来可能是一种潜在的处置决策[138]。

推断属性:这种类型的属性不需要优化;它们是从其他属性中推断出来的，并用于下流任务。参数敏锐性属性反应了参数变化对重构性能的影响。它由参数的梯度暗示，用于指挥压缩聚类[19]。Pixel-Coverage属性决定现时分辨率下高斯原语的相对大小。它与高斯原语的水平或垂直大小关联，用于指令高斯的模范以自尊多模范渲染的采样要求[34]。

权重属性:权重属性依赖于结构化暗示，如Local V volumes[188]、Gaussiankernel RBF[150]和SMPL[189]，它们通过策画干系点的权重来驯顺查询点的属性。

其他属性:不驯顺性属性不错通过减少高不驯顺性区域的减重来匡助保持检修的厚实性[55]，[138]。何况，从图像帧中索取的ORBFeatures属性[123]在成就2D-to-2D和2D-to-3D对应关系中起着至关蹙迫的作用[119]。

研究:高斯属性的修改简化了更普通的下流任务的实施，提供了一种灵验的方法，因为它不需要额外的结构元素。此外，新的高斯属性与补充信息料理的集成也有可能显赫增强原始3DGS的暗示后果。举例，在某些情况下，语义属性不错产生更精准的对象规模。

6.3抛雪球算法

Splatting的作用是将三维高斯数据高效地更动为高质地的二维图像，保证投影平滑、一语气，显赫提高渲染效率。行动传统策画机图形学的中枢时期，也有东谈主从效率和性能的角度对其进行改进[137]。

TRIPS[191]在3DGS中引入了用于及时渲染的ADOP[12]，愚弄屏幕空间图像金字塔进行点光栅化，并使用三线写入来渲染大点。这种方法结合了前后alpha搀杂和用于细节重建的轻量级神经集聚，确保了明晰、齐全和无别称的图像。这项责任[190]驯顺了先前哨法[15]的局限性，这些方法在投影过程中使用局部仿射近似，导致对渲染质地无益的造作。通过分析一阶泰勒张开的残差，他们成就了这些过失与高斯平均位置之间的干系性。在此基础上，将和洽的投影平面替换为切平面，通过基于单元球面的光栅化器(Unit Sphere Based Rasterizer)迂缓原始3DGS的投影过失，如图7所示。在第5.2节先容的2D-GS[137]中也提到了类似的问题。

图片

6.4正规化

正则化是三维重建的重要。但是，由于清寒来自3D数据的径直监督，原始3DGS通过将渲染图像与果真图像进行比较来监督其检修。这种步地的监督可能导致检修不厚实，特别是在不驯顺的场景中，举例那些具有寥落视图竖立的场景。在本节中，咱们将正则化项分为2D和3D正则化项，如图8所示。3D正则化主要径直为3DGS提供料理，而2D正则化条件则施加料理对渲染图像的料理，从而影响属性的优化。

图片

6.4.1 3D正则化

三维正则化由于其直不雅的料理智商而引起了东谈主们的极大温文。这些悉力不错阐发其宗旨宗旨分为单个高斯原语、局部正则化和全局正则化。

单个高斯原语正则化:这种正则化主如若为了改进高斯原语的某些属性[32]，[78]，[126]，[139]，如第6.2节所述。

局部正则化:由于3DGS的显式暗示，在局部区域内对高斯原语施加料理是有酷好的。这种料理不错保证高斯基元在局部空间的一语气性。为了保证可变形宗旨的局部刚度，通俗遴荐物理正则化方法，包括短期局部刚度圆寂、局部旋转相似损构怨永久局部等距圆寂。短期局部刚性意味着支配的高斯函数应该跟着刚体在时辰步间的变换而迁移，

图片

其中µ为高斯平均位置，i和j为相邻点的索引，t为时辰步长，R暗示旋转;局部旋转相似性强制相邻的高斯基元随时辰步长具有疏通的旋转，

图片

其中，- q是每个高斯旋转的归一化四元数暗示;永久的局部等距圆寂不错防护场景元素漂移，

图片

[103]，[104]，[135]，[146]，[147]，[150]，[174]，[188]。随后，一些作品也遴荐了类似的范式来料理局部刚度[111]，[149]。

除了刚度圆寂外，动量正则化守恒也不错行动动态场景重建的料理。它饱读动一个恒定的速率矢量，并对3D轨迹应用低通滤波后果，从而平滑倏得变化的轨迹[146]。此外，还有一些局部一致性正则化术语也旨在料理局部区域内的高斯原语以保持相似的属性，如语义属性[138]、[176]、[179]、位置[98]、[107]、时辰[149]、帧[141]、法线[192]和深度[52]。

全局正则化:与相邻区域的局部正则化不同，全局正则化旨在料理合座3DGS。物理干系的正则化引入了践诺天下的物理特征来料理3DGS的气象，包括重力损构怨构兵圆寂等。重力损耗用于料理物体与大地之间的关系，而构兵损耗用于料理多个物体之间的关系[98]。

受益于3DGS的显式暗示，不错径直得回深度和法线标的属性，这些属性不错在检修过程中行动料理，特别是在名义重建任务中。深度正态正则化通过比较深度值策画的正态与预计的正态[37]、[158]、[160]、[161]来已毕深度正态一致性。这种方法灵验地同期对法线和深度进行料理。此外，径直料理法向或深度亦然可行的。由于清寒径直监督信号，正态正则化通俗遴荐自监督范式，可通过遐想来自梯度[153]、高斯基元的最短轴标的[37]或SDF[158]、[159]的伪标签来已毕。类似地，深度正则化也遴荐类似的方法;但是，它不仅旨在精准的深度值，而且还寻求确保在3DGS中明晰的名义。深度失真圆寂[8]沿射线麇集高斯基元

图片

式中，z为高斯的交点深度[137]，[161]。除了自监督方法外，结合额外的预检修模子来估量正态[160]和深度[38]，[54]，[56]，[193]已被施展注解在normal Regularization和depth Regularization中更灵验。在此基础上，繁衍作品引入硬深度和软深度正则化来处置几何退化问题，得回更齐全的曲面[56]。一个类似的正则化术语是SDF正则化，这也曲直面重建的一种料理政策。它通过将3DGS对应的SDF料理为联想分散[153]，[156]，[158]，[159]，[194]来得回所需的曲面。

6.4.2二维正则化

与3D正则化的直不雅料理不同，2D正则化通俗用于处置原始圆寂函数自身不及的料理情况。

SDS圆寂:一个蹙迫的例子是SDS圆寂，如式3所示，它愚弄预检修的2D扩散模子来监督通过蒸馏范式进行的3DGS检修[75]，[162]。该方法还被扩展到索取预检修的3D扩散模子[82]、多视图扩散模子[195]、图像剪辑模子[164]和视频扩散模子。其中，引入三维扩散模子[80]、[196]和多视图扩散模子[76]、[77]、[78]、[103]、[104]、[107]不错优化显式几何的重建和多视图一致性。图像剪辑模子[163]不错已毕可控剪辑，视频扩散模子[103]不错使用视频SDS进行动态时辰场景生成。基于这一范式，其他模态图像的提真金不怕火也具有后劲，因为它不错提供来自相应预检修扩散模子的更多料理，举例RGB-Depth[74]，其中遐想者需要研究何如构建扩散模子。

一些改进专门针对SDS的固有问题[85]，[89]。区间分数匹配是为了处置速即和单步抽样的问题而提倡的。

图片

其中s = t - δT， δT暗示小步长[85]。引入含糊教唆[197]亦然一种方法[74]

流圆寂:流圆寂是动态3DGS常用的正则化术语。使用预检修的二维光流估量模子的输出行动真值，它不错通过策画单元时辰内高斯基元的位移并将这些3D位移溅射到二维平面上来呈现预计的流量[104]，[114]，[115]。但是，这种方法有很大的差距，主如若因为光流是二维平面属性，容易受到噪声的影响。取舍空间深度正确的高斯基元，通过KL散度引入不驯顺性料理光流是一种潜在可行的方法[106]。

其他圆寂:还有一些2D正则化术语值得研究。举例，在频域抑制渲染图像与大地果真值之间的幅度和相位互异不错行动一种圆寂函数来接济检修，从而缓解过拟合问题[33]。通过噪声扰动为假定视点引入伪标签有助于寥落视图竖立下的检修[54]。在大限制场景映射中，料理优化前后属性的变化不错防护3DGS上的倒霉性渐忘[129]。此外，束平差通俗是位姿估量问题中的一个蹙迫料理[118]，[119]，[130]。

值得刺目的是，不管是使用2D如故3D正则化，由于3DGS中精深的原语，合座优化偶然不是最优的。一些原语通俗会对收尾产生无法抑制的影响。因此，有必要通过使用可视性[120]、[122]、[131]、[134]等方法取舍蹙迫的高斯原语来指挥优化。

研究:对于特定的任务，通俗不错引入各式料理，包括2D和3D正则化术语，其中许多正则化术语是即插即用的，不错径直提高性能。

6.5检修政策

检修政策亦然一个蹙迫的课题。在本节中，咱们将其分为多阶段检修政策和端到端检修政策，不错应用于不同的任务。

6.5.1多阶段检修政策

多阶段检修政策是一种常见的检修范式，通俗波及从粗到精的重构。普通应用于欠驯顺任务，如AIGC、动态3DGS构建、SLAM等。在不同的检修阶段使用不同的三维暗示是多阶段检修的典型范例之一。

3DGS→Mesh(第一阶段检修3DGS，将暗示转念为Mesh，第二阶段优化Mesh)[75]、[76]、[77]、[92]、[163]、[196]是保证生成的3D模子几何一致性的灵验方法。此外，在第一阶段生成多视图图像[91]，[96]，[109]，[136]，[165]，[166]，[196]，而不是在3D暗示之间进行转念，第二阶段的矫正也不错提高质地。

静态重建和动态重建两阶段重建在动态3DGS中也很蹙迫。这类责任通俗包括在第一阶段检修一个与时辰无关的静态3DGS，然后在第二阶段检修一个与时辰干系的变形场来表征动态高斯[115]、[143]、[144]、[145]、[146]、[168]。此外，逐帧增量重建动态场景亦然一些研究的要点，通俗依赖于之前重建的进展[135]，[140]。

在多宗旨优化任务中，多阶段检修模式不错提高检修的厚实性和性能。举例，从粗到精的录像机追踪政策是一种常用的方法，它发轫通过寥落的像素集得回粗录像机姿态，然后阐发优化的渲染收尾进一步细化估量的录像机姿态[118]，[133]。

此外，一些作品旨在改进在第一阶段检修的3DGS[51]，[57]，[80]，[87]，[170]，[179]，[188]或赋予它们额外的智商，如语义[134]，[180]和格调化[172]。这么的检修政策有许多，亦然保持检修厚实性和幸免局部最优的灵验妙技[24]。此外，对最终收尾进行迭代优化以提高性能亦然可行的[136]。

6.5.2端到端检修政策

端到端检修政策通俗更灵验，不错应用于更普通的下流任务。一些典型作品如图9所示。

图片

渐进式优化政策:这是一种常用的政策，不错匡助3DGS在局部优化细节之前优先学习全局暗示。在频域，这个过程也不错看作是一个从低频到高频的渐进学习过程。通俗通过缓缓加多高频信号的比例[33]，[187]或缓缓引入更大的图像/特征尺寸进行监督[17]，[39]，[119]来已毕，这也不错提高效率[116]。在生成任务中，渐进式取舍相机姿势亦然一种易、难的检修政策从集聚运行视点的位置缓缓优化到较远的位置[77]，[102]。

块优化政策:该政策常用于大限制场景重建，不仅不错提高效率，还不错缓解倒霉性渐忘问题[121]，[133]，[134]。通常，它不错通过将场景别离为静态布景和动态对象来已毕重建[112]，[113]，[114]，[144]。此外，这种方法也应用于AIGC和Semantic Understanding，其中细化子舆图的重建质地不错提高合座性能[87]，[181]。与按空间区域别离的子映射不同，高斯原语不错被别离为不同的代特等精采化过程，允许对每代应用不同的正则化政策，这是调换不同代流动性的灵验政策[162]。将运行点分为光滑名义上的点和孤立点亦然一种可行的政策。通过为每个类别遐想不同的运行化和精采化政策，不错得回更好的几何暗示[192]。此外，一些研究旨在遐想基于帧间共可见度或时辰数据的几何类似率的重要帧(或窗口)取舍政策，并将其用于重建[118]、[120]、[122]、[126]、[129]、[141]。

鲁棒优化政策:在检修过程中引入噪声扰动是增强检修过程鲁棒性的常用方法[57]，[92]，[143]。这么的扰动不错针对相机姿势、时辰步长和图像，何况不错被视为一种防护过拟合的数据增强步地。此外，一些检修政策旨在通过幸免从单一视点进行一语气检修来迂缓过拟合和倒霉性渐忘[121]，[127]。

基于蒸馏的政策:为了压缩模子参数，一些蒸馏政策使用原始3DGS行动西席模子，使用低维SH 3DGS行动学生模子。通过引入更多的伪视图，他们旨在提凹凸维SH的暗示性能[24]。

研究:改进检修政策是优化3DGS检修过程的灵验道路，不错提高许多任务的性能。特别是端到端检修政策，不错在确保效率的同期提高性能

6.6自恰当抑制

3DGS的自恰当抑制是调换高斯基元数目的蹙迫过程，包括克隆、分裂和剪枝。在接下来的章节中，咱们将从精采化(克隆和分裂)和修剪的角度总结现存的时期。

6.6.1精采化

精采化是至关蹙迫的，特别是对于细节重建。在这一节中，咱们将从“在那儿密度”和“何如密度”的角度来分析它。此外，咱们将研究何如幸免过度精采化。

在那儿进行精采化:精采化时期通俗辘集于识别需要精采化的位置，该过程由原始3DGS中的梯度抑制，也不错扩展到动态场景中新宗旨的重建[140]。随后，不透明度或轮廓低、深度渲染过失大的区域被视为不行靠区域，也被以为是指令精采化的蹙迫身分[32]、[118]、[129]、[134]、[148]、[160]，这些区域通俗用于填充孔或改善3D不一致的区域。一些责任络续温文基于梯度的改进，其中将不同视图中每个高斯笼罩的像素数视为权重，以动态平均这些视图的梯度，从而改善点云滋长的条件[198]。此外，SDF值和周边距离亦然蹙迫的判据，离地表越近、密实度越低的位置越容易精采化[80]、[156]、[159]。

何如精采化:许多责任改进了精采化方法。图结构用于探索节点之间的关系，并阐发接近度评分在旯旮中心界说新的高斯值，从而迂缓寥落视点的影响[54]。为了防护高斯数目的过度增长，候选池政策被遐想为存储经过修剪的高斯以进行精采化[94]。此外，work[199]引入了三个守恒轨则以确保视觉一致性，并使用积分张量方程来模拟精采化。

过度精采化亦然无须要的，因为它会径直影响3DGS的效率。在两个高斯函数相等接近的情况下，抑制它们的精采化是一个浅近的想法，其中高斯函数之间的距离不错通过高斯发散显赫性[96](GDS)或kullbackleibler散度[62]来测量，其中µ1，Σ1，µ2，Σ2属于两个相邻的高斯函数。

图片

DeblurGS[42]遴荐高斯精采化退火政策，以防护在不精准的相机通达估量的早期检修阶段不准确的高斯密度化。此外，在一些下流任务中，偶然会废弃精采化，以防护3DGS对每个图像过度拟合，从而导致不正确的几何体式[116]，[118]，[120]，[126]。

6.6.2修剪

去除不蹙迫的高斯原语不错确保灵验的暗示。在当先的3DGS框架中，不透明度被用作驯顺高斯显赫性的法度。随后的研究探索了将模范行动修剪的指挥身分[74]。但是，这些方法主要温文单个高斯原语，清寒对全局暗示的全面筹商。因此，后续的繁衍时期依然处置了这个问题。

蹙迫性分数:检修视图上的数目和掷中数不错与不透明度一齐引入共同驯顺高斯原语的全局显赫性得分[24]。

图片

其中γ(Σj)和1(G(Xj)， ri)是体积和掷中数，M是检修视图的个数随后，阐发高斯函数的全局显赫性得分对其进行排序，并对得分最低的高斯函数进行修剪。类似的蹙迫性分数在其他作品中也有提高[200]，[201]。

多视图一致性:多视图一致性是决定高斯是否需要修剪的重要法度。举例，work[126]对一个局部重要帧窗口内未被三个重要帧不雅察到的新添加的高斯函数进行了剪枝，而work[131]对通盘编造视图中不行见但在果真视图中可见的高斯函数进行了剪枝。

距离度量:一些名义感知方法通俗引入到名义的距离[118]和SDF值[159]，修剪隔离名义的高斯原语。高斯函数之间的距离亦然一个蹙迫的度量。GauHuman[62]旨在“合并”小模范和低KL散度的高斯函数，如Eq. 10所述。

可学习的抑制参数:引入基于比例和不透明度的可学习掩模来驯顺是否需要移除宗旨高斯基元，亦然防护3DGS过于密集的灵验方法[23]。

6.7后处理

预检修高斯函数的后处理政策相等蹙迫，因为它们不错提高3DGS的原始效率和性能。常见的后处理通俗通过不同的优化政策来改进高斯暗示。这类责任已在第6.5节中研究过。

暗示转念:通过对采样的3D点[156]，[160]引入泊松重构[202]，不错将预检修好的3DGS径直转念为Mesh。类似地，高斯不透明度域(Gaussian Opacity Fields， GOF)[161]引入3D规模框，将预检修好的3DGS转念为四面体网格暗示，然后使用水平集二分搜索(Binary Search of Level Set)从中索取三角形网格。此外，LGM[92]发轫将预检修的3DGS转念为NeRF暗示，然后使用NeRF2Mesh[203]将其转念为Mesh。

性能和效率:一些作品旨在通事后期处理来提高3DGS在某些任务中的性能，举例多模范渲染。SA-GS[36]在预检修3DGS的基础上，引入了一种2D模范自恰当滤波器，该滤波器不错阐发测试频率动态疗养模范，以增强缩小时的抗混叠性能。在效率方面，从预检修的3DGS中去除冗余的高斯原语[29]或引入高斯缓存机制[204]不错灵验提高渲染效率

6.8与其他暗示的集成

3D暗示的可转念秉性便于将3DGS与其他暗示集成。这类作品通俗愚弄其他进展步地的上风来改进原始3DGS。

6.8.1点云

点云行动一种与3DGS干系的3D暗示步地，通俗用于运行化其属性。将点云端示转念为3DGS不错灵验地填补点云的空泛[100]，[102]，这通俗是在对点云进行高精度重建后完成的。反过来，也不错将3DGS转念为点云，然后将点云体素化为3D体素，然后将其投影到2D BEV网格上，这是导航任务的蹙迫指南[134]。此外，空间中的锚点不错接济3DGS。这些方法使用体素的中心行动锚点来暗示场景。每个锚点包括一个局部高下文特征、一个缩放因子和多个可学习的偏移量。通过解码基于这些偏移量和特征的其他属性，锚点被转念成局部神经高斯分散。这个想法有助于迂缓3DGS的冗余扩展[26]，[39]，[159]。

6.8.2 Mesh

网格具有更好的几何暗示智商，不错在一定进度上缓解3DGS带来的伪影或磨蹭像素[142]。它们仍然是下流任务中最普通使用的3D暗示[92]。精深的责任研究了何如将3DGS转念为Mesh，如第5.2节所述。一朝转念，它们不错进一步优化，以得回更好的几何和外不雅[64]，[75]，[76]，[163]。合资优化3DGS和Mesh亦然一种可选政策。DGS适用于构造复杂的几何结构，而Mesh可用于重建光滑名义上的详确豪情外不雅。两者结合不错提高重构性能[142]。

6.8.3 Triplane

三平面以其紧凑性和高效的抒发性而著称[50]，不错以为是一种编码暗示。由于这些特质，三平面通俗用于与泛化干系的任务。具体来说，三平面由三个正交的特征平面构成:X-Y平面、Y -Z平面和X-Z平面。不错通过探问空间中的位置得回特征，然后对这些特征进行解码以预计高斯属性[50]，[51]，[60]，[93]。

随后的研究[107]、[145]、[168]试图通过引入多模范的hexes[108]或4D GaussianPlanes[168]将三平面扩展到四维空间(XY Z-T)，以增强4DGS在时空维度上的一语气性，如图10(a)所示。

图片

6.8.4 Grid

网格亦然一种灵验的暗示，因为它不错探问网格角并插值以得回特定位置的特征或属性。哈希网格[9]行动一种代表性的方法，概况对场景进行压缩，得到愈加紧凑高效的3DGS[23]、[63]、[116]、[172]、[182]。此外，自组织高斯[25]将原始的非结构化三维高斯映射到二维网格上，以保持局部空间关系，其中相邻的高斯将具有相似的属性值，从而减少场景的内存存储并保持3D空间的一语气性，如图10(b)所示。

6.8.5隐式暗示

隐式暗示成绩于其暗示智商，可用于迂缓3DGS的条件难度和名义伪影[72]。具体来说，引入NeRF对豪情和不透明度进行编码不错显赫增强暗示的可调换性[205]。此外，通过遐想SDF-to-opacity转念函数[158]或遴荐互几何监督[159]来合资优化3DGS和SDF暗示，不错提高3DGS的名义重建性能。

6.8.6 GaussianVolumes

高斯体积也用于一般化暗示[94]，其中体积由固定数目的3DGS构成。与广义三平面暗示比拟，这种暗示保持了高斯暗示的效率，同期提供了更大的可操作性，并迂缓了对点云预计准确性的依赖。

研究:阐发不同的需求，不错引入不同的暗示步地。但是，不同暗示之间的灵验转念是很蹙迫的。

6.9 Guidance by Additional Prior

在处理欠驯顺问题时，举例寥落视图竖立3.3.1，引入额外的先验是提高3DGS性能的一种径直方法。

预检修模子:引入预检修模子是一种灵验的范例，不错通过模子的常识指挥优化。预检修的单目深度模子和点云预计模子是一种常见的先验类型，其中预计的深度值和位置可用于运行化和正则化[52]，[54]，[55]，[100]，[102]，[131]。预检修的2D图像(或3D和视频)生成模子在一些aigated任务中也很蹙迫。它们不仅不错结合SDS Loss进行优化[80]、[103]、[196]，还不错径直生成(或剪辑)用于检修的图像[91]、[100]、[102]、[109]。通常，一些作品引入了预检修的图像绘制集聚来缓解装扮和类似带来的艰苦[77]、[100]、[102]、[162]、[171]，或者在生成过程中引入超分辨率模子来得回高水平的细节[102]、[168]。此外，预检修的ControlNet[167]或大型讲话模子也可用于指挥3D生成。前者不错增强深度指令下的几何一致性[77]，[78]，[166]，后者不错预计布局图，指挥多宗旨三维生成场景下的空间关系[78]。值得刺目的是，某些预检修模子不错赋予3DGS额外的功能，如第5.4节研究的语义瓦解模子和空间瓦解模子[131]。

更多传感器:由于2D图像的3d不行知性，重建3d图像可能具有挑战性，特别是在SLAM和自动驾驶等大限制重建中。因此，结合额外的3D深度信息传感器，包括深度传感器[121]、[127]、[129]、[130]、[131]、激光雷达[112]、[116]、[133]和光学触觉传感器[55]，有可能缓解这一问题。

特定任务先验:一些重建任务，如东谈主体重建，宗旨对象具有一定的共同特征。这些特征，如模板模子和线性搀杂蒙皮，不错行动先验索取，以指挥相似宗旨的重建。在非刚性物体的重建、动画和生成中，许多作品愚弄SMPL[66]和SMAL[206]为东谈主类[58]、[60]、[62]、[63]、[74]和动物[111]、[189]等非刚性物体的通达和变形提供了强先验。随后，在SMPL模板的基础上，还结合3DGS引入了Shell Maps[95]和模板网格，以处置3DGAN效率低[73]和几何体式不明晰[64]，[65]的问题。通常，在头部和面部重建和动画任务中，一些作品[68]，[70]也使用FLAME模子[69]行动先验。线性搀杂蒙皮[151]也被用作先验常识来匡助预计3DGS通达[70]，[150]。此外，在3D城阛阓景重建任务中，HUGS[114]引入了独轮车模子(Unicycle Model)对动态车辆的通达进行建模，从而使通达物体的通达建模愈加通达。

7 .相互关系和挑战

如前边第3节所述。在第4节和第5节中，有精深的研究辘集在3DGS的优化、应用和扩展上。但是，这些研究时常使问题过于复杂化。在本节中，咱们旨在总结不同任务之间的共性，并提倡四个中枢挑战以及相应的时期研究，如表2所示。相识到这些共同的挑战和处置决策不错简化研究责任，促进跨学科的高出。

图片

7.1次优数据挑战

在践诺场景中，汇集精深高质地的检修数据通俗是不切实质的。一方面，在莫得得回三维数据和富有多的多视点图像的情况下，只是依靠有限数目的二维图像监督是不及以已毕精准的3DGS重建的。举例，只须一个宗旨的正面图像，推断后头的外不雅诟谇常具有挑战性的。另一方面，数据质地也通常蹙迫;准确的姿态和明晰的图像径直影响重建性能。

这些问题在多个任务中进行了研究，举例寥落视图竖立(第3.3.1节)，自动驾驶(第4.3节)，动态3DGS(第5.1节)(单目视频)，AIGC(第4.2节)和可剪辑3DGS(第5.3节)。许多责任依然研究了何如改进运行化(第6.1节)、正则化(第6.4节)、自恰当抑制(第6.6节)和检修政策(第6.5节)，或者在寥落或缺失多视图检修图像的布景下引入额外的先验(第6.9节)。此外，衰败准确姿态的重建也不错被以为是一个不驯顺的问题。SLAM文件(第4.3.2节)和磨蹭图像下的重建(第3.2节)或莫得姿势的重建[207]，[208]中对此进行了研究，其中通俗引入新的检修政策(第6.5节)和其他暗示(第6.8节)来缓解它。

7.2泛化挑战

尽管与NeRF比拟，检修效率有所提高，但特定场景的检修范式仍然是3DGS应用的主要瓶颈。很难设想为每个宗旨或场景单独检修，特别是在多宗旨重建和文本到场景生成中。咱们发现这个问题在泛化竖立(第3.3.1节)和一些与东谈主类重建(第4.1节)和AIGC(第4.2节)中的泛化干系任务中通俗被研究。这些责任旨在使用前馈集聚径直推断新的场景。因此，他们进展出锐利的时期相似性，举例三平面的引入。具体的改进政策在运行化(第6.1节)、自恰当抑制(第6.6节)和与其他暗示的集成(第6.8节)中进行了普通的分析。

7.3物理挑战

传统3DGS只筹商静态渲染，忽略了物理通达规定，而物理通达规定在模拟中很蹙迫[139]。此外，基于物理的渲染是应用3DGS模拟物理天下的蹙迫一步。由于明确的暗示，不错构建合适物理定律的3DGS。

这个问题通俗在动态3DGS (Sec.5.1)，物理模拟(Sec.5.5)，动画(Sec.5.3.4)和一些动态东谈主体重建(Sec.4.1)或自动驾驶场景重建(Sec.4.3.1)中研究。这些研究辘集在高斯原语应该如安在物理天下中迁移，何况在Photorealism中先容了基于物理的渲染(Sec.3.2)。从时期角度来看，自3DGS研究的早期阶段以来，许多责任都处置了这个问题，通俗辘集在属性扩展(第6.2节)、正则化政策(第6.4节)和额外先验的接济(第6.9节)。

7.4果真性和效率挑战

果真性和效率挑战是根柢问题。它们在各式作品中进行了考查，并在第3节中进行了研究。在本节中，咱们将研究一些典型的干系任务，并总结它们的常用时期。对于果真性的挑战，现存的责任不仅研究了果真感(Sec.3.2)，名义重建(Sec.5.2)和语义瓦解(Sec.5.4)，而且还在aigc干系(Sec.4.2)和自动驾驶(Sec.4.3)研究中处置了这个问题。(第6节)中提到的大多数时期都有助于提高渲染性能。不同的任务遴荐不同的方法。举例，与aigc干系的责任(第4.2节)通俗侧重于改进检修政策(第6.5节)和正则化(第6.4节)，而名义重建责任(第5.2节)与后处理模范(第6.7节)关联。

对于效率挑战(第3.1节)，它们在一些繁衍任务中提到，举例与自动驾驶(4.3节)和语义瓦解(5.4节)。现存的改进通俗辘集在引入额外的属性(第6.2节)或后处理(第6.7节)，以及改进自恰当抑制(第6.6节)和飞溅(第6.3节)政策。

此外，不同领域之间还有一些莫得提到的关系。举例，名义重建时期(第5.2节)通俗在可剪辑3DGS(第5.3节)的高下文中被援用，等等。

8契机

3DGS最近履历了要紧的发展，精深的责任展示了它在干系任务中的后劲。在本节中，咱们研究了上述中枢挑战中尚未处置的问题，并提倡了将来研究的潜在标的。此外，咱们还研究了一些应用模范和时期的扩展。

8.1检修数据次优

一个联想的3DGS检修过程需要富有的和高质地的数据，但在实质应用中，这时常是过于具有挑战性的。诚然专注于引入先验不错在一定进度上缓解问题，但在低料理条件下优化精深高斯函数仍然存在固有的艰苦。因此，一个潜在的处置决策是阐发高斯原语的不驯顺性减少其数目，同期增强单个原语的暗示智商[27]。这波及到在高斯数和渲染性能之间找到一个权衡，从而提高愚弄寥落样本的效率。

然后，还应该筹商质地差的数据。无料理的荒废图像是一种典型的情况，包括瞬态装扮和动态外不雅变化，如天外、天气和光照的变化，这些在NeRF[209]、[210]、[211]中有普通的研究。为了提高效率，现存的作品也在3DGS的布景下研究了这个问题[212]，[213]，它们试图建模外不雅变化并处理瞬态物体。但是，他们的进展叛逆，特别是在复杂的灯光变化和频繁装扮的场景。由于3DGS的显式暗示秉性，解耦几何暗示并在不同场景中引入几何一致性料理是一种很有出路的方法，不错迂缓检修过程中的不厚实性。

8.2泛化

现存的泛化干系责任诚然不错通过前向推理径直得回场景表征，但其进展时常不尽东谈主意，何况受到场景类型的抑制[46]、[49]、[50]、[93]。咱们假定这是由于前馈集聚难以对3DGS进行自恰当抑制，如[47]中所述。在将来的研究中，遐想一种基于参考特征的前馈自恰当抑制政策是一种潜在的处置决策，该政策不错通过参考特征预计需要自恰当抑制的位置，并可即插即用到现存的泛化干系责任中。此外，现存的泛化干系责任依赖于准确的姿势，在实质应用中时常难以得回[208]，[214]，[215]。因此，研究位姿缺失条件下的可泛化3DGS亦然有但愿的[204]。

8.3物理问题

8.3.1基于物理的通达

确保3DGS的通达免除物理定律对于和洽模拟和渲染至关蹙迫[139]。尽管依然引入了与刚性干系的正则化术语，如第6.4.1节所述，但大多数现存的责任都辘集在动画3DGS上，而忽略了高斯原语自身的物理属性(第5.1节)。一些独创性的作品试图引入速率属性[106]和牛顿能源学轨则[139]，但这不及以实足姿首三维物体在空间中的物理通达。一个潜在的处置决策是在高斯原语中引入更多的物理属性，如材料[216]、加速率和力分散，这些属性可能受到某些仿真器具和物理常识的先验料理。

8.3.2基于物理的渲染

基于物理的渲染亦然一个值得温文的标的，因为它使3DGS概况处理重光照和材质剪辑，产生出色的反向渲染后果[40]。将来的责任不错探索3DGS中几何与外不雅的解耦，从法向重建和照明与材料建模的角度进行研究[72]，[216]，[217]。

8.4果真高效

8.4.1曲面重建

重建明晰名义的艰苦一直是影响渲染果真感的要紧挑战。正如第5.2节所研究的，一些作品依然处置了这个问题，试图用平面高斯暗示曲面。但是，这可能会导致渲染性能下落，可能是由于平面高斯基元的暗示智商缩小或检修过程的不厚实性。因此，遐想更适当名义暗示的高斯原语和引入多阶段检修范式以及正则化项是潜在的处置决策。

8.4.2效率

存储效率是3DGS的重要瓶颈之一。现存的责任要点是先容VQ时期和压缩SH参数，如第3.1.1节所述。但是，这种方法不行幸免地会影响渲染性能。因此，探索何如基于3DGS遐想更高效的暗示是在保持性能的同期提高效率[26]，[27]的潜在道路。

8.5应用

8.5.1大限制高斯飞溅

诚然最近的方法概况灵验地重建小限制和以对象为中心的场景，扩展这一丝由于有限的视频内存、冗长的优化时辰和显赫的外不雅变化，大限制场景的智商仍然具有挑战性。最近的一些作品试图处置这些问题。举例，VastGaussian[218]直不雅地使用基于相机位置的区域别离机制将大场景别离为多个小块，并阐发空间感知的可见性法度引入额外的接济相机位置，通常，Fed3DGS[219]在大限制3DGS中引入了联邦学习框架，以减少中央管事器上的数据负载，并已毕了高斯合并政策，已毕了数百万客户端和分散式策画资源之间的分散重建。免除这些方法，仍有精深的研究空间。

8.5.2 AIGC

现存的aigc干系责任东要辘集在单个静态对象的生成上。但是，在实质应用中，多对象(第4.2.3节)和动态对象(第4.2.4节)的生成更为蹙迫。此外，在构建具有多个通达物体的场景时，姿首物体之间的相互作用亦然一个值得研究的课题。

8.5.3应用扩展

由于3DGS的高效和苍劲的重建智商，在医学[220]、工业弱势检测[221]、图像压缩[222]、航空[223]等各个领域得到了普通的应用。在将来，3DGS有可能在其他领域取代NeRF进行3D重建，如机器东谈主[224]和生物学[225]。

8.6时期改进

8.6.1运行化

越来越多的研究和工程款式发现运行化在3DGS中很蹙迫。传统的SfM运行化不适当许多料理场景，举例寥落视图竖立、AIGC和低光重建。因此，应该遐想更健壮的运行化方法来代替这些受限场景中的速即运行化。

8.6.2泼溅

飞溅在3DGS中也饰演着蹙迫的脚色，但在现存的作品中很少说起[190]，[191]。在预检修的3DGS上遐想高效的并行喷溅政策有可能影响渲染性能和效率

9论断

3D高斯溅射(3DGS)领域富贵发展的酷好促成了无数干系下流任务和时期的出现，从而导致了该领域内日益加多的复杂性和浩瀚，这些复杂性和浩瀚以各式步地进展出来，包括不同作品的相似动机;在不同的任务中整合类似的时期;以及各式时期之间的幽微死别和相互量度。在这项考查中，咱们悉力阐发其潜在动机对现存作品进行系统分类，并批判性地研究干系时期。咱们的宗旨是申报跨越不同任务和时期的共同挑战，从而为瓦解这个快速发展的领域提供一个连贯的框架。本考查旨在为生手和训戒丰富的从业者提供珍重的资源，促进导航和灵验参与最新进展。此外，咱们驯顺并强调了将来研究的潜在道路，旨在激励3DGS的赓续翻新和探索。

本站仅提供存储管事，通盘内容均由用户发布，如发现存害或侵权内容，请点击举报。