高斯溅射（Gaussian Splatting）技术学习笔记：从工具到创作的完整指南

于 2025-05-08 06:00:00 发布
阅读量66 收藏
点赞数
分类专栏： AIGC学习资料库 文章标签： 学习 笔记 数码相机 ai+3d 三维重建 空间计算
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u012842807/article/details/147754017
版权

随着3D重建和实时渲染技术的快速发展，高斯溅射（Gaussian Splatting） 作为一种新兴的表示方法，正逐渐取代传统的NeRF与Mesh建模方式。它不仅具备更高效的渲染性能，还能在浏览器中实现高质量、轻量级的实时交互体验。

本文将系统梳理高斯溅射的核心工具、工作流程、与其他技术的对比、硬件部署建议，并探讨其在虚拟创作中的潜力。

一、核心工具介绍

1. Postshot：本地训练神器，可视化体验优秀

  • 平台支持：Windows
  • 亮点功能：
    • 实时预览训练过程（动态显示高斯分布及“摆动”生长）
    • 支持多种配置模式（如 MCMC、Splat3 Profile）
    • 可调节 Gaussian 数量、训练参数、压缩选项
  • 运行要求：RTX 2060 / 3070 即可流畅运行
  • 适用人群：创作者、小型团队、开发者，尤其适合注重数据隐私和模型所有权的用户

Postshot 的一大优势在于其高度可视化的界面设计，使得非技术人员也能轻松上手，快速构建高质量的高斯点云模型。

2. B

了解本专栏 订阅专栏 解锁全文 超级会员免费看
高斯溅射（Gaussian Splatting）技术：3D领域的新革命
这里汇聚了前沿的技术分享与实用的开发技巧，带你探索从创意到企业的技术创业之路。
12-20 1456
高斯溅射（Gaussian Splatting），简称Splats，是一种先进的3D建模和可视化技术。它通过将图像表示为微小的椭圆形斑点，即“高斯斑点”，来构建3D场景。这些斑点可以拉伸、压缩，并赋予颜色和透明度，最终融合形成连续的表面。高斯溅射的核心在于使用3D高斯函数作为场景的基本元素，通过优化这些高斯函数的参数来实现高质量的3D场景重建和新视角合成。
高斯溅射:三维重建与新视角合成的革命性技术
步子哥的博客
08-03 2384
在计算机视觉和图形学领域,三维重建和新视角合成一直是备受关注的研究热点。传统方法如摄影测量和多视角立体视觉在处理复杂场景时往往面临诸多挑战。近年来,基于深度学习的方法,如神经辐射场(NeRF),在这一领域取得了显著进展。然而,这些方法仍存在渲染速度慢、训练时间长等问题。2023年6月,Kerbl等人[1]提出的高斯溅射(3D Gaussian Splatting)技术为三维重建和新视角合成领域带来了革命性的突破。
3D Gaussian Splatting (学习笔记）
2401_85725332的博客
11-01 1065
NeRF 是一种利用稀疏视角图像重建场景的 3 维表示的隐式学习技术,通过对场景的光照和颜色信息进行编码,实现高质量的 3 维重建和视角合成效果。，这为场景优化和新颖的视图合成提供了显著的加速。3D GS 技术的出现解决了 NeRF 技术训练和渲染速度慢的缺点,它使用 3D 高斯基元作为实时神经渲染的基元,可在不牺牲图像质量的情况下显着提高渲染速度。计算完图像损失之后,梯度会沿着数据流反向传播,对 3D 高斯基元的参数进行优化,而重建不充分的区域往往有着更大的梯度,是需要优化的重点区域。
高斯泼溅（Gaussian Splatting）技术浅析
最新发布
zhu_zhu_xia的博客
03-26 632
高斯泼溅技术（Gaussian Splatting）是一种通过高斯分布的光栅化方法，实现从图像样本中实时渲染逼真场景的技术‌。它通过构建每个点的高斯分布，并优化其参数，以实现场景的细腻再现‌。高斯泼溅技术利用3D高斯点而不是传统的三角面片来表达场景，从而实现了高效的三维转换和逼真的渲染效果‌。
3D 高斯溅射 (Gaussian Splatting)技术，一种实现超写实、高效渲染的突破性技术
12-18 3180
3D 高斯溅射 (3DGS) 的核心技术是通过数百万个微小的、半透明的椭球体（即“高斯溅射”）来创建和渲染 3D 场景。与依赖多边形或复杂神经网络的传统方法不同，3DGS 利用这些溅射点来表现场景。每个溅射点包含其位置、颜色、大小和透明度的信息。当经过组合后，这些溅射点能高度还原场景的真实感。
3D高斯溅射：面向三维场景的实时渲染技术
02-11 1万+
高斯溅射技术一经推出，立刻引起学术界和工业界的广泛关注。相比传统的隐式神经散射场渲染技术，高斯溅射依托椭球空间，显性地表示多目图像的三维空间关系，其计算效率和综合性能均有较大的提升，且更容易理解。可以预见，未来2年针对高斯溅射的应用研究将会迎来爆炸式发展。通过本篇博文，我和大家来一起了解高斯溅射技术，希望对有需要的同学提供一点帮助。
【小白】一文读懂3DGS高斯泼溅技术
weixin_47228643的博客
07-23 1万+
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。
【视觉三维重建】【论文笔记】高清3D高斯泼溅（Deblurring 3D Gaussian Splatting）
持之以恒
03-10 1507
比经典高斯泼溅更佳高精
【GaussianOcc: Fully Self-supervised and Efficient 3D Occupancy Estimation with Gaussian Splatting】笔记
既脱春火的博客
10-28 1088
GaussianOcc研究了关于高斯渲染的两方面：1. 完全的自监督 2. 高效的OCC估计。传统的自监督 3D 占用估计方法在训练期间仍然需要来自传感器的6D 姿态真值。为了解决这个限制，提出高斯溅射投影（GSP）模块，为相邻视图投影的完全自监督训练提供准确的尺度信息。此外，现有方法依赖于使用 2D 信号（深度图、语义图）进行最终 3D 体素表示学习的体积渲染，这既耗时又效率较低。我们提出从体素空间（GSV）进行高斯分布以利用高斯分布的快速渲染特性。
【论文笔记】PhotoReg: Photometrically Registering 3D Gaussian Splatting Models
m0_74310646的博客
12-31 1339
最近推出的3D高斯飞溅(3DGS)，它用多达数百万个原始椭球体来描述场景，可以实时渲染。3DGS迅速声名鹊起。然而，一个关键的悬而未决的问题仍然存在：我们如何将多个3DG融合到一个连贯的模型中？解决这个问题将使机器人团队能够共同建立其周围环境的3DGS模型。这项工作的一个关键见解是利用照片级真实感重建和3D基础模型之间的二元性，前者从3D结构渲染真实的2D图像，后者从图像对预测3D结构。为此，我们开发了PhotoReg，这是一个将多个照片级真实感3DGS模型与3D基础模型配准的框架。
【论文笔记】4D Gaussian Splatting: Towards Efficient Novel View Synthesis for Dynamic Scenes
weixin_45657478的博客
03-02 1932
【论文笔记】4D Gaussian Splatting: Towards Efficient Novel View Synthesis for Dynamic Scenes
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，
Gaussian_Splatting 项目脚本指令
Gloamirror的博客
01-31 732
还有就是 gaussian_splatting的sibr，能编译好的可以编译，windows 中有提供了预编译的文件直接下载使用即可，这个sibr训练后就可以查看高斯泼溅的结果，算法所有过程的输出结果很抽象，最好还是用sibr查看，特别好用，但是编译过程还是比较麻烦，有时间我会更新以下：（这段内容都在高斯splatting的github里）-m 是输出目录，train的时候最好指定，它会自动生成目录，后面render和metrics过程都用train的-m输出目录即可。
[CVPR 2023:3D Gaussian Splatting：实时的神经场渲染]
weixin_47869094的博客
12-21 2784
mesh 和点是最常见的3D场景表示，因为它们是显式的，非常适合于快速的基于GPU/CUDA的栅格化。相比之下，最近的神经辐射场（NeRF）方法建立在连续场景表示的基础上，通常使用体射线行进来优化多层感知器（MLP），以实现捕获场景的新视图合成。类似地，迄今为止最有效的辐射场解决方案建立在连续表示的基础上，通过插值存储的值，例如，体素或哈希[网格或点。虽然这些方法的连续性有助于优化，但渲染所需的随机抽样是昂贵的，并可能导致噪声。
3D Gaussian Splatting（高斯飞溅3D算法） Windows系统部署（简版） |导入到Unity
weixin_59961223的博客
01-12 8818
3D Gaussian Splatting最近真的是太热了，想看看重建出来是什么样子的，于是就参考网络上各位大神给的教程进行复现。我先在Ubuntu20.04系统上进行复现，环境配置安装成功，也可以进行训练，就是在编译可视化界面时一直cmake不动，显示的原因是FFmpeg出现了问题，在此期间我重新安装ffmpeg的各个版本，并且替换一些代码，还是cmake不起，在万般无语之下转到windows系统，没想到windows系统相对来说更容易复现。
【三维重建】3D Gaussian Splatting：实时的神经场渲染
热门推荐
qq_45752541的博客
09-16 4万+
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。
论文笔记《3D Gaussian Splatting for Real-Time Radiance Field Rendering》
m0_52065936的博客
09-11 1万+
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。
【论文阅读 | 三维重建】3D Gaussian Splatting for Real-Time Radiance Field Rendering（3DGS）
进阶中的程序员吃吃的博客
05-15 9190
对3DGS原文进行翻译，以及部分理解。
【三维重建】DreamGaussian：高斯splatting的单视图3D内容生成（原理+代码）
qq_45752541的博客
10-19 1万+
常用的3D内容创建方式，主要是利用基于优化的通过分数蒸馏采样（SDS）进行的3D生成。该方法每个样本优化较慢，很难实际应用。本文提出了DreamGaussian，兼顾效率和质量：设计一个生成的三维高斯splitting 模型，并在 uv 空间中配合网格提取和纹理细化。与NeRF中使用的 occupancy pruning 相比，三维高斯分布的渐进致密化收敛速度明显更快。为了进一步提高纹理质量，促进下游应用，我们引入了一种高效的算法，将三维高斯矩阵转换为纹理网格并应用一个微调阶段来细化细节。
评论
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

打赏作者

花生糖@

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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