3D Gaussian Splatting综述

24年1月来自浙江大学的论文“3D Gaussian splatting”。

3D Gaussian splatting (3D GS) 最近成为显式辐射场和计算机图形领域的一项变革性技术。这种创新方法的特点是利用数百万个 3D 高斯，与神经辐射场 (NeRF) 方法有很大不同，后者主要使用隐式基于坐标的模型将空间坐标映射到像素值。3D GS 具有显式场景表示和可微分渲染算法，不仅保证了实时渲染能力，而且还引入了前所未有的控制和可编辑性。这使得 3D GS 成为下一代 3D 重建和表示的潜在游戏规则改变者。

本文系统地概述 3D GS 领域的最新发展和关键贡献。首先详细探讨 3D GS 出现背后的基本原理和驱动力，为理解其重要性奠定基础。重点是 3D GS 的实际适用性。通过促进实时性，3D GS 开辟大量应用，从虚拟现实到交互式媒体等等。此外，对领先的 3D GS 模型进行比较分析，并在各种基准任务中进行评估，突出它们的性能和实用性。最后确定当前的挑战，并提出该领域未来研究的潜在途径。

虽然 NeRF 在创建逼真的图像方面表现出色，但对更快、更高效的渲染方法的需求也日益明显，特别是对于需要实时性能的应用程序而言。3D GS 通过引入一种使用数百万个 3D 高斯的场景表示技术来满足这一需求。与隐式的基于坐标模型 [1]、[15]、[16] 不同，3D GS 采用显式表示和高度并行化的工作流程，从而促进更高效的计算和渲染。3D GS 的创新之处在于它独特地融合可微分流水线和基于点渲染技术 [17]– [22] 的优势。通过用可学习的 3D 高斯表示场景，它保留连续体辐射场的理想特性，这对于高质量图像合成至关重要，同时避免在空白空间中渲染相关的计算开销，这是传统 NeRF 方法的常见缺点。

3D GS 的引入不仅仅是一项技术进步；它代表在计算机图形学中场景表示和渲染方法的根本性转变。通过实现实时渲染功能而不损害视觉质量