3D Gaussian Splatting技术的影响会有多大？

3DGaussianSplatting:推动三维重建与自动驾驶的革命性技术
最新推荐文章于 2025-09-29 22:19:26 发布
转载 最新推荐文章于 2025-09-29 22:19:26 发布 · 812 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247592904&idx=3&sn=784c76630bb29dbcff4a481b85e351d7&chksm=cf2a3829e40b11d69130a421474ae8a4600fcda052d9220faf87a71d45738e3acf9d07c33c02&scene=126&sessionid=0
文章标签：

#3d

3DGS作为一种介于体积和点云之间的高效三维表示方法，正在三维重建、自动驾驶等多个领域展现巨大潜力，尤其是在自动驾驶中通过场景编辑降低成本，预示着革命性的进展可能。

最近刷知乎逛到一个问题：3D Gaussian Splatting技术的影响会有多大？今天就和大家聊聊3DGS这个话题~

三维重建近几年发展的关键词离不开NeRF和3DGS，NeRF让三维重建进入到自动驾驶感知算法的视野中，近期也涌现出一系列优秀的算法，像MARS、UniSim等等，在开源数据集Kitti上的效果也做的确实可以了。NeRF类方法最大的缺点就是慢，但这些都不重要，NeRF用隐式表示重新定义了三维重建的形式，汽车人觉得NeRF最大的意义，也许并不是从新视角去渲染新视图，而是提供了一种新的，不同于点云、网格、体素的3D表示方法，为三维重建提供了全新的可能。

而3DGS正是在这样的大背景下应运而生的，高斯是介于体积表示和点云表示之间的一种三维表示方法，天然的继承了两者的优势，所以3DGS又快又好。目前3DGS除了席卷了三维重建领域，更实在静态场景/动态场景重建、单目/环视、场景编辑、场景生成、感知（检测、定位、跟踪、3D分割、SLAM等等）、虚拟人体等诸多领域大放异彩。所以3D Gaussian Splatting技术的影响会有多大？可以遇见将会是革命性的进展！

cbec2e9682ca9c224518787ba4672f2b.jpeg

说回在自动驾驶中的应用，近期已经有很多工作尝试将3DGS应用到自动驾驶场景中，像理想的Street Gaussian、北大的DrivingGaussian等等。就汽车人了解，很多业内公司正在尝试将3DGS应用到真实的自动驾驶场景中，最直观的应用就是重建出整个视频场景后，进行场景编辑生成新数据。这比实车采集corner case的成本要低得多的多，3DGS在整个数据闭环中的潜力非常值得大力挖掘。3DGS未来值得探索的地方还有很多很多，既然视觉重建可以用3DGS，那么Lidar重建呢？Radar呢？3DGS有没有这方面的潜力？3DGS有没有在自动驾驶领域单独的玩儿法？3DGS有没有进一步更优的表达形式？

8ca773547ab61cdc8d07f5f3f2da4142.png
3D Gaussian Splatting 部署
qq_34717531的博客
09-03 5288
简介：3D Gaussian Splatting是一种用一组2d图像创建3d场景的方法，你只需要一个场景的视频或者一组照片就可以获得这个场景的高质量3d表示，使你可以从任何角度渲染它。它们是一类辐射场方法（如NeRF），但同时训练速度更快（同等质量）、渲染速度更快，并达到更好或相似的质量。3D Gaussian Splatting可以实现无界且完整的场景1080p分辨率下进行高质量实时（≥ 100 fps）视图合成。该论文获得的siggraph 2023最佳论文。
3D Gaussian Splatting介绍
m0_37604894的博客
04-17 1万+
3D Gaussian Splatting和NeRF一样，主要用于新视图合成。使用光栅化渲染方式，而不是NeRF的基于射线的体渲染（volumetric rendering along a ray）使用多个3D高斯球显示的表达场景训练推理速度快的同时保证质量高本质上是一个优化问题，没有使用神经网络μ\muμ进行了一定简化，我们回顾一下原始形式，若随机变量服从X∼Nμσ2X∼Nμσ2,则有如下的概率密度函数对应到多元，就是下面的形式，
一文带你入门 3D Gaussian Splatting
03-01 1万+
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。
3DGS学习（六）—— 参数更新
m0_63843473的博客
02-25 4076
旋转四元数的核心思想是，通过对旋转轴上的旋转角度进行编码，以及通过旋转轴的单位向量来表示旋转的方向。旋转四元数的实部（w）用于表示旋转角度的余弦值，而虚部（x, y, z）则表示旋转轴在单位向量上的三个分量。旋转四元数通常表示为q = w + xi + yj + zk，其中w是实部，(x, y, z)是虚部，i、j、k是虚数单位。的梯度，节约了自动微分的成本，具体可以参考3dgs原论文附录部分的梯度回传数学推导部分。根据相机位置和方向向量，计算目标颜色对高斯函数均值的导数；
3DGS 如何理解它？
最新发布
m0_51203082的博客
09-29 1252
3DGS即是3D Gaussian Splatting。 出自2023年的一篇名为《3D Gaussian Splatting for Real-Time Radiance Field Rendering》（[[3D Gaussian Splatting for Real-Time Radiance Field Rendering.pdf]]），作者是BERNHARD KERBL和GEORGIOS KOPANAS。原文我看了几遍，也在win11环境下跑了一遍（[[3dgs复现-从零搭建]]）。但是由于自身在
学习笔记之——3D Gaussian Splatting及其在SLAM与自动驾驶上的应用调研
gwpscut的博客
01-09 2万+
论文主页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 Splatting for Real-Time Radiance Field Rendering 论文解读
NPU 研0
09-10 1万+
3DGS原理介绍，论文解读。
打败一切NeRF！ 3D Gaussian Splatting 的 简单入门知识
热门推荐
su_zy_的博客
11-14 4万+
3D GS 的科普向的博客
精选资源
gaussian-splatting项目百度网盘资料
12-25
gaussian-splatting项目是一项利用3D高斯核函数对图像进行处理的技术，它在计算机视觉和图像处理领域有着广泛的应用。本项目结合了3DGS安装工具，为开发者提供了一个便捷的环境配置方案，包含了Python 3.10.6、CUDA ...
3D Gaussian Splatting：用于实时的辐射场渲染
m0_51976564的博客
11-09 1万+
3D Gaussian Splatting：用于实时的辐射场渲染 3d gaussian splatting for real-time radiance field rendering
【小白】一文读懂3DGS高斯泼溅技术
weixin_47228643的博客
07-23 2万+
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代码+原理
Ajaxm的博客
11-05 9319
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，
北大最新开源 | 首次使用3D GS建模自动驾驶动态场景！
3D视觉工坊
12-21 1381
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...
清华最新3DGS综述！紧跟新视图渲染高速发展的步伐
CV_Autobot的博客
04-15 3330
作者|Tong Wu 编辑| 3D视觉之心点击下方卡片，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『三维重建』技术交流群本文只做学术分享，如有侵权，联系删文写在前面&笔者的个人理解3DGS的出现大大加快了新视图合成的渲染速度。与神经辐射场（NeRF）等用位置和视点条件神经网络表示3D场景的神经隐式表示不同，3D ...
解锁SLAM新纪元！基于NeRF和3D GS方法综述
CV_Autobot的博客
02-29 2477
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取>>点击进入→自动驾驶之心『SLAM』技术交流群论文作者|3D视觉之心编辑 | 自动驾驶之心写在前面&笔者的个人理解在过去的二十年里，SLAM领域的研究经历了重大的发展，突出了其在实现未知环境的自主探索方面的关键作用。这种演变从手工制作的方法到深度学习时代，再到最近专注于神经辐射场（NeRFs）和3D高斯泼溅...
三维重建方法3D gaussian splatting与NeRF的区别和异同
weixin_43890835的博客
01-10 1万+
本文从数据输入、数据输出、渲染方式、优化方式、三维信息表达、时间与效果等几个方面对三维重建方法NeRF和3D Gaussian Splatting方法进行了横向比较，分析其异同
港大最新LVI-GS：结合3DGS的实时LiDAR-视觉-惯性紧耦合SLAM
CV_Autobot的博客
11-09 1748
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3DGS SLAM的难点传统的 SLAM 系统使用地标、点云、占据栅格、符号距离函数（SDF）体素网格或网格来表示环境。其中，点云是由摄像头和 LiDAR 等传感器直接获取的简单场景表示。基于点云的 SLAM 系统能够实现精确定位，并可以构建稀疏或稠密...
【GIS】重要技术3DGS
giszz的博客
03-17 2618
等属性，能够精确表达物体的几何形状、光照变化及材质特性。是一种基于显式三维高斯点云表示的。对场景进行建模，每个高斯点包含。
【3DGS】从新视角合成到3D Gaussian Splatting
在这里你甚至能学算卦，快进来看看
01-31 8855
【3DGS】从新视角合成到3D Gaussian Splatting
如何结合 SLAM 技术实现基于 3D Gaussian Splatting 的动态场景重建？
08-15
### 3D Gaussian Splatting 与 SLAM 技术的结合方式 SLAM（Simultaneous Localization and Mapping）技术用于在未知环境中同时估计设备位姿并构建环境地图。3D Gaussian Splatting 提供了一种高效的显式三维表示方法，能够以高斯分布的形式对点云进行建模。将 SLAM 与 3D Gaussian Splatting 结合，可以实现动态场景的实时重建与渲染。 在 SLAM 系统中，通常会通过传感器（如 RGB-D 相机、LiDAR 或双目相机）获取点云数据，并利用优化算法估计相机位姿与场景结构。3D Gaussian Splatting 可以作为 SLAM 的后端表示方法，将点云数据转化为高斯分布形式，以提升渲染效率和视觉质量。具体而言，SLAM 提供的稀疏点云可以被拟合为多个高斯分布，每个高斯点包含位置、协方差矩阵、颜色和透明度等属性，从而支持高质量的实时渲染[^1]。 ### 动态场景重建中的关键技术整合 为了实现动态场景重建，SLAM 与 3D Gaussian Splatting 的结合需要解决几个关键问题：首先是高斯点的动态更新机制，其次是基于相机位姿的高效渲染策略。 在 SLAM 框架中，当新帧到来时，系统会估计当前帧的相机位姿，并对场景点进行优化。这些点可以被映射为高斯分布，并通过协方差矩阵调整其形状，以适应场景的几何结构。此外，为了处理动态物体，SLAM 系统可以引入语义分割或运动分割模块，将动态点与静态背景分离，并分别建模为不同的高斯分布集合。这样可以在渲染时对动态部分进行独立更新，从而实现对运动物体的重建[^1]。 GPU 加速的可微光栅化技术是实现高效渲染的关键。在 SLAM 与 3D Gaussian Splatting 的联合系统中，每个高斯点可以在图像空间中进行投影，并通过 Alpha 混合策略合成最终图像。该过程可以与 SLAM 的优化步骤并行执行，确保重建的实时性与视觉质量。 ### 实现示例 以下是一个基于 SLAM 数据构建高斯点云的简化示例： ```python import numpy as np import open3d as o3d # 假设从 SLAM 系统获取点云数据 points_slam = np.random.rand(1000, 3) * 10 # 模拟 SLAM 输出的点云 colors_slam = np.random.rand(1000, 3) # 模拟颜色信息 # 将点云转换为高斯分布形式（简化处理，协方差为单位矩阵） gaussian_points = [] for point, color in zip(points_slam, colors_slam): cov = np.eye(3) * 0.1 # 假设每个点的协方差相同 gaussian_points.append((point, cov, color)) # 构建可视化点云（仅位置） pcd = o3d.geometry.PointCloud() pcd.points = o3d.utility.Vector3dVector(points_slam) pcd.colors = o3d.utility.Vector3dVector(colors_slam) # 可视化 SLAM 点云 o3d.visualization.draw_geometries([pcd]) ``` 在实际系统中，还需结合 SLAM 的位姿估计、协方差传播模型以及 GPU 渲染管线，以实现完整的动态场景重建流程。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值