3d gaussian splatting介绍整理

最近辐射场方法彻底改变了多图/视频场景捕获的新视角合成。然而取得高视觉质量仍需神经网络花费大量时间训练和渲染，同时最近较快的方法都无可避免地以质量为代价。对于无边界的完整场景（而不是孤立的对象）和 1080p 分辨率渲染，目前没有任何方法能达到实时显示率。我们引入了三个关键元素，使得能够达到sota视觉质量同时保证有竞争力的训练时间，而且重要的是可以高质量、实时（≥30fps\ge 30 fps≥30fps）、1080p分辨率的情况下新视角合成。首先，从。

三维重建技术正在经历一次重要转变：从离线建模工具，到在线感知系统，再到具身智能基础设施。3DGS 只是这一过程中的关键节点，但其背后是一个更深层的趋势：世界模型正在从抽象走向可计算、可交互、可实时。对于希望系统掌握这一领域的读者，我们在《三维重建技术与实践：基于NeRF与3DGS》中，尝试从多视图几何、神经表示到工程实现进行完整梳理。这本书更关注：技术体系、原理理解、工程贯通。如果你正在思考空间智能或具身系统，这或许是一条值得深入的路径。

3d gaussian splatting paper部分翻译

3D Gaussian Splatting是最近NeRF方面的突破性工作，它的特点在于重建质量高的情况下还能接入传统光栅化，优化速度也快（能够在较少的训练时间，实现SOTA级别的NeRF的实时渲染效果，且可以以 1080p 分辨率进行高质量的实时（≥ 30 fps）新视图合成）。开山之作就是论文“3D Gaussian Splatting for Real-Time Radiance Field Rendering”是2023年SIGGRAPH最佳论文。

3DGS（3D Gaussian Scattering）是一种基于高斯分布的三维场景表示与渲染方法，主要用于高效建模和渲染复杂的三维场景，尤其适用于动态环境或需要实时性能的应用。其核心思想是将三维空间中的物体或体积表示为多个高斯函数的集合，并通过优化这些高斯参数来拟合观测数据（如多视角图像），最终实现高质量的渲染效果。3DGS通过显式的高斯分布建模三维场景，结合可微渲染技术，在实时性与渲染质量之间取得平衡。在渲染过程中，光线穿过三维场景时，与沿途的高斯函数相互作用。

3d gs survey整理

通过添加少于5%的高斯模型数量，并保持类似的训练时间，multi-scale Gaussian可以在不同尺度的渲染上实现较高的PSNR（Peak Signal-to-Noise Ratio）和渲染速度改进。同时，由于Mipmap中包含了不同分辨率的纹理图像，因此可以根据物体与相机的距离选择适当的纹理层级，以保持细节的清晰度。总而言之，Human Gaussian是一种用于描述人类行为和特征的概率模型，它基于高斯分布，通过对人类行为的观察和数据分析，建立了人类行为和特征的统计模型。

3DGS原理介绍，论文解读。

相信大家都听说过高斯分布。高斯分布，也叫正态分布，是一种非常常见的概率分布。如果你熟悉一维的高斯分布，可以直接跳到本章的第1节。如果你不了解高斯分布也没有关系，可以看一下下面这张图（图片来自搜狗百科）：这就是一张高斯分布的图片。图中，表示均值，表示标准差。简单来说，假设我有一个变量，它可能是任何一个实数。现在，我们假设它遵循上图这个高斯分布，那么上图中函数值越高的地方，就越有可能取到这个数值。我们可以看到，函数值最高的地方是，也就是说的值最有可能是。离越远的地方，

Gaussian Splatting引入了三个关键元素，在保持有竞争力的训练时间的同时实现最先进的视觉质量，重要的是允许在1080p分辨率下实现高质量的实时（≥30 fps）的新视图合成。

colmap和3DGS的复现流程

3D 高斯的协方差矩阵 Σ� 表示了其在空间中的形状和方向，它可以用一个对称正定矩阵来表示，也可以用一个对角矩阵和一个旋转矩阵的乘积来表示，以减少参数的数量。3D 高斯的权重 �� 表示了其在场景中的贡献，它可以用一个非负的标量来表示，也可以用一个球谐函数来表示，以增加其与视图相关的表达能力。很形象，我们可以想象一下，把一个雪球（高斯球）扔到一个玻璃盘子上，雪球散开以后，在撞击中心的雪量（对图像的贡献）最大，而随着离撞击中心距离的增加，雪量（贡献） 减少。在整个空间中，每个高斯球又是离散的。

来源：3D视觉工坊在公众号「3D视觉工坊」后台，回复「原论文」可获取论文pdf链接这里给大家推荐下Gassian Splatting微信群，扫码入群，方便大家沟通交流：0. 笔者个人体会最近3D GS在NeRF圈真是掀起了一股浪潮，不停地刷新NeRF的精度和渲染速度，还推广到了SLAM等很多领域。还有什么是3D GS做不到的呢？还真有！原始的3D GS很难去建模大规模动态自动驾驶场景，尤其是很难处...

3DGS（3D Guassian Splatting）部署验证+个人数据训练

【三维重建】【深度学习】windows11下3DGS官方代码Pytorch实现

作者|ZEEKANG 编辑| 自动驾驶之心原文链接：https://zhuanlan.zhihu.com/p/885004028点击下方卡片，关注“自动驾驶之心”公众号戳我-> 领取自动驾驶近15个方向学习路线>>点击进入→自动驾驶之心『3DGS』技术交流群本文只做学术分享，如有侵权，联系删文前言：作为一个连传统计算机图形学都没有完全学透的学生，NeRF论文的阅读难度对我...

本文通过协方差矩阵来表达该点，此矩阵控制3D高斯的形状。较之3节中推导的传统表达式，本文中的公式去掉了均值，因为该高斯分布以点为中心，xyz的均值就在点上已经中心化了，所以均值设为0；左侧系数是为控制整个概率密度函数的积分为1，但此处不需要，没有积分为1的限制所以整个分布的大小能够自由控制。从初始的SFM点云出发，以每个点为中心生成3D高斯；然后用相机参数把点投影到图像平面上（Splatting）；