想象一位画家接到一个任务：把一座小城完整地“搬”进电脑里，让人能绕着它走、从任意角度观察。他没有用画笔一笔笔描，而是取来一盒半透明的水彩墨点贴纸。贴纸近似椭圆、边缘柔和、能透光。他把贴纸在三维空间里一张张贴好，调整每张的位置、大小、颜色、浓淡和倾斜角度；每调整一次，就从一个方向“看”一眼——贴纸叠出来的画面，必须和他手里那张真实照片对得上。贴纸成千上万，反复调整，直到不管从哪个角度望过去，画面都和照片一致。这，就是高斯泼溅（Gaussian Splatting，简称3DGS）的工作方式。它把3D重建变成一场“贴墨点、对照片、再调整”的循环，训练几十分钟就能完成，渲染时更是能达到实时浏览。本文就用这盒“墨点贴纸”带你走完3DGS从原理到落地实践的全过程。

岗位关联

掌握Gaussian Splatting，意味着你能用一套GPU脚本在数分钟内产出可实时浏览的写实三维场景——这是数字孪生、AR电商、虚拟制片等领域最热门的选型方向之一，也是简历上最具辨识度的新技能。

目录
  1. 可视化演示
  2. 本质原理：一颗会呼吸的水彩墨点
  3. 重建流程：从照片堆到立体画布
  4. 方法对比：和两位老对手同场竞技
  5. 优势局限：亮眼的优点与现实的短板
  6. 关键技术：墨点的形状配方与变色魔术
  7. 工程部署：把巨幅画作搬进展厅
  8. 实践建议：开画前的准备清单与验收尺
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

本质原理：一颗会呼吸的水彩墨点

画家手里的墨点贴纸从来不是简单圆片：贴在玻璃板上的那面有圆心位置，贴纸本身有长轴短轴、可以旋转、半透明，颜色还会随观看角度微微变化。一颗墨点用几个数字就能描述：中心、胖瘦、朝向、浓淡、颜色。这盒墨点，就是3DGS里讲的“显式表示”——场景信息全部以这些参数的形式存在，而不是被压进某个神经网络的黑盒里。

在数学上，这颗墨点是一个三维高斯椭球，由中心 μ 和协方差矩阵 Σ 决定形状，再配上不透明度 o 与颜色系数。渲染时，每个椭球沿视线投影成屏幕上一个边缘柔和的椭圆光斑——这就是“软边缘混合”；整个过程可求导，梯度能一路传回每个参数，让算法用梯度优化来“调墨点”，这就是“可微光栅化”。训练中系统还会按需增删墨点，这部分称为密度控制，后文会细讲。

回到比喻：整盒墨点叠起来，就是完整的三维风景。每颗墨点都清清楚楚、可调可删——这正是3DGS与NeRF最大的气质差异。

G(x)=o⋅exp⁡(−12(x−μ)TΣ−1(x−μ))G(x) = o \cdot \exp\left(-\frac{1}{2}(x-\mu)^{T}\Sigma^{-1}(x-\mu)\right)
这颗墨点在三维空间中的“浓度”随距离中心变远而柔和衰减：中心最浓，边缘淡到看不见。o 控制整体浓淡。
  1. 三维坐标 x查询空间中任意一点（像素射线穿过的位置）
    x=(x1,x2,x3)Tx=(x_1,x_2,x_3)^{T}
  2. 中心位置 μ墨点贴纸的圆心所在的三维坐标
    μ=(μ1,μ2,μ3)T\mu=(\mu_1,\mu_2,\mu_3)^{T}
  3. 协方差矩阵 Σ决定椭球如何拉伸与旋转的矩阵，用它的逆矩阵把普通距离换算成“马氏距离”
    Σ−1\Sigma^{-1}
  4. 指数衰减加权距离平方越大，墨点浓度越快衰减为 0，形成柔和边缘
    exp⁡(−12(x−μ)TΣ−1(x−μ))\exp\left(-\frac{1}{2}(x-\mu)^{T}\Sigma^{-1}(x-\mu)\right)
  5. 不透明度 o墨点浓淡系数，取值 0 到 1，控制这颗墨点对外观贡献的上限
    0≤o≤10 \le o \le 1

重建流程：从照片堆到立体画布

画家开工前要先收集“参考照片”：绕着雕塑走一圈，每个角度都拍，相邻照片要有重叠。然后他会迅速在三维空间里撒一把粗略定位的墨点，先框出雕塑的大致轮廓，再不断比对照片、微调每一颗。这盒墨点的训练流程，走的是完全相同的三步。

第一步是多视角采集：用手机、相机或无人机围绕场景拍摄几十到几百张照片，保证视角覆盖与重叠。第二步是 SfM 初始化：算法（常用 COLMAP）从照片的特征匹配中估计每张照片的相机位姿，并输出一份稀疏点云——这些稀疏点直接当作墨点的初始中心，相当于画家“先撒一把粗定位的墨点”。第三步是迭代优化：随机挑选一个相机视角，把当前墨点配置渲染成图，与对应真实照片比较像素差异，再反向传播更新所有墨点参数，重复成千上万次。

训练使用的损失函数是亮度误差与结构相似度的加权组合。误差越小，说明这盒墨点从该视角看过去越像真实照片；当所有视角都足够像时，训练收敛，此后任意新视角都可以实时渲染。

画家每调一颗墨点，都要停下来看一眼对比图；3DGS的训练循环，就是把这套“看—比—调”的动作自动化并加速了几万倍。

L=(1−λ) ∥Cpred−Cgt∥1+λ LD-SSIML = (1-\lambda)\, \|C_{\text{pred}} - C_{\text{gt}}\|_{1} + \lambda\, L_{\text{D-SSIM}}
一半靠“逐像素比亮度”，一半靠“比结构是否像”。权重 λ 通常取 0.2，结构相似度占两成。
  1. 预测图 C_pred当前墨点配置在某个相机角度渲染出的画面
    CpredC_{\text{pred}}
  2. 真值图 C_gt同一角度真实拍摄的照片
    CgtC_{\text{gt}}
  3. L1 误差逐像素求亮度差绝对值之和，衡量整体颜色贴不贴
    ∑∣Cpred−Cgt∣\sum |C_{\text{pred}} - C_{\text{gt}}|
  4. D-SSIM 项结构相似度损失，感知两图在边缘、纹理结构上的差异
    LD-SSIML_{\text{D-SSIM}}
  5. 权重 λ两部分配比，通常取 0.2
    λ=0.2\lambda = 0.2

方法对比：和两位老对手同场竞技

在墨点画家之前，还有两位老师傅：一位只擅长拼硬纸板模型，另一位把颜料慢慢“蒸”进玻璃里逐层显影。前者对应传统 MVS（多视角立体视觉），后者对应 NeRF（神经辐射场）。贴墨点的3DGS，和这两位走的是完全不同的路。

MVS 先做稠密匹配得到点云，再建网格、贴纹理，流程长，弱纹理区域容易破洞，遇到反射表面更是头疼；NeRF 把整个场景编码进神经网络权重，渲染时每条视线要采样几十上百个点做积分，训练以小时计、渲染也远达不到实时。3DGS 则把墨点显式摆在三维空间里，渲染时一次光栅化全部画完，不需要逐点查询网络。

3DGS 的“画法”可以用一条渲染方程概括：沿视线把墨点从前到后排序，逐颗叠加“这颗墨点的颜色 × 它挡住的比例 × 前方所有墨点都没挡住的比例”。这个操作本质是一次透明度混合，计算量小，显卡并行度高，因此训练分钟级、渲染上百帧，这就是它相对二位前辈最亮眼的代表优势。

同样的“看画”任务，拼纸板太慢、蒸颜料更慢，而一盒墨点几分钟叠完、还能实时换角度——这就是3DGS在速度与质量上的制胜点。

C=∑i=1Nciαi∏j=1i−1(1−αj)C = \sum_{i=1}^{N} c_i \alpha_i \prod_{j=1}^{i-1}(1-\alpha_j)
最终像素颜色 = 所有墨点按“被前方墨点遮挡后的剩余可见度”加权求和。
  1. 颜色 c_i第 i 颗墨点自带的基础颜色（三维 RGB 向量）
    ci∈R3c_i \in \mathbb{R}^{3}
  2. 该点不透明度 α_i屏幕某像素处这颗高斯椭球贡献的透明度（墨点浓度 × 不透明度）
    αi=oi⋅Gi(x)\alpha_i = o_i \cdot G_i(x)
  3. 累积透过率排在它前面的墨点都“没挡住它”的概率乘积
    ∏j=1i−1(1−αj)\prod_{j=1}^{i-1}(1-\alpha_j)
  4. 从前到后求和所有墨点按视线排序后加权求和，得到该像素最终颜色
    C=∑i=1Nciαi∏j=1i−1(1−αj)C=\sum_{i=1}^{N} c_i \alpha_i \prod_{j=1}^{i-1}(1-\alpha_j)

优势局限：亮眼的优点与现实的短板

贴纸画家并非没有烦恼：风景越大，墨点越多；画廊的“玻璃板”（显存）就那么大；遇到镜面和水面，墨点怎么叠都不太像。先看优点：3DGS 渲染质量高、训练速度快、渲染实时，而且因为是显式表示，可以直接增删改查某颗墨点——想删掉场景里的电线杆，删对应墨点即可。这些特性让它在新视角合成和场景编辑中格外顺手。

再看短板，最大的痛点是显存开销：一个场景动辄上百万颗墨点，每颗还带着一长串参数；其次是新视角外推弱，极端角度会“糊”；玻璃、水面等透明反光表面难以用不透明椭球近似；最后，它强依赖 SfM 给出的相机位姿，位姿错了全盘皆输。显存成本可以用一个简单公式估算，也正因如此，工程上才需要压缩与加速。

墨点画法擅长“大场面、平滑表面”，但真要选型，就得看清它“贵在玻璃板、怕镜子水面”——认清局限，才能把它用在刀刃上。

M显存≈Nsplat×BparamM_{\text{显存}} \approx N_{\text{splat}} \times B_{\text{param}}
场景墨点总数 × 每颗墨点参数体积，乘出来的量级就是显存压力的来源。
  1. 高斯个数 N场景中墨点总数，典型值 100 万 ~ 500 万
    NsplatN_{\text{splat}}
  2. 每颗参数体积 B位置、旋转、尺度、不透明度、球谐系数合计约 240 字节
    Bparam≈240 BB_{\text{param}} \approx 240\ \text{B}
  3. 估算总内存两者相乘得到 GB 级显存占用，解释“为什么大场景离不了大显存”
    M≈106×240 B≈0.24 GBM \approx 10^{6} \times 240\ \text{B} \approx 0.24\ \text{GB}

关键技术：墨点的形状配方与变色魔术

怎么把一颗圆墨点拉成长条再斜着贴？两步：先沿坐标轴拉伸，再整体旋转。怎么让墨点在转动角度时变色？给贴纸涂一层珠光漆。这两件事，对应 3DGS 里最重要的两个技术细节：协方差矩阵的合法分解与球谐函数着色。

数学上，缩放用一个对角矩阵 S 记录三根轴的半长，旋转用一个由四元数编码出的矩阵 R。协方差矩阵被写成 Σ = R S Sᵀ Rᵀ 的形式，这样无论参数怎么更新，Σ 都天然是对称正定的——也就是说墨点永远是合法的椭球，不会扭曲成“哑铃”或“负体积”。颜色方面，球谐函数用一组正交基函数来近似“颜色随视角变化”，常用 3 阶共 48 个系数，相当于给墨点涂上会随角度变色的珠光漆。

渲染时，三维协方差还要经过视图变换和投影雅可比变换，变成屏幕上的二维椭圆再光栅化；训练过程中，密度控制会不断“分裂”大而模糊的墨点、“克隆”小而密的墨点填补空洞、“剪枝”透明度过低的废墨点。这套组合拳决定了重建细节的上限。

形状靠“缩放 + 旋转”，颜色靠“珠光漆基函数”，两者合体，墨点才能在照片面前以假乱真。

Σ=RSSTRT\Sigma = R S S^{T} R^{T}
协方差矩阵被拆成“缩放再旋转”两个因子的乘积，从构造上保证椭球永远合法。
  1. 缩放矩阵 S对角矩阵，记录椭球三根轴的半长
    S=diag(sx,sy,sz)S=\text{diag}(s_x,s_y,s_z)
  2. 平方 S Sᵀ对角线取平方，保证缩放值非负
    SST=diag(sx2,sy2,sz2)S S^{T}=\text{diag}(s_x^{2},s_y^{2},s_z^{2})
  3. 旋转矩阵 R由四元数转换来的正交旋转矩阵
    RTR=IR^{T}R = I
  4. 相似变换先缩放后旋转，得到合法对称正定的协方差矩阵
    Σ=RSSTRT\Sigma = R S S^{T} R^{T}

工程部署：把巨幅画作搬进展厅

巨幅贴纸画完工后要搬进展厅：画太大进不了门（显存不够），得先压缩成便携版；上墙后还要让游客秒开、随手就能转着看（渲染加速）。部署 3DGS 的工程考虑，和布置展厅一模一样。

先看硬件门槛：训练端建议 24GB 级显存（如 RTX 3090/4090），因为 Adam 优化器还要额外存一阶、二阶动量，训练时显存比推理更大；常用手段包括限制场景规模、设置合理的稠密化阈值、降低球谐波段数。再看显存管理：推理时场景加载、渲染缓冲都要精打细算，必要时分块加载。压缩量化是当前主流优化方向，把位置、缩放和球谐系数做量化编码，模型体积可缩小 10~20 倍，质量损失很小。

渲染加速方面，3DGS 采用 tile 分块光栅化：把屏幕切块，每块只处理可能投影进来的墨点，配合 GPU 并行，实现百帧级实时。而这一切的数学根基是投影变换——把三维椭球正确地“摊”到屏幕上。

展厅布置的完整流程是：掂量显存预算 → 压缩画作 → 并行快显。三步走完，墨点画就能从实验室跑进产品里。

Σ′=JWΣWTJT\Sigma' = J W \Sigma W^{T} J^{T}
三维墨点在相机坐标系里被旋转、再被透视投影“压扁”，最终变成屏幕上的二维椭圆。
  1. 视图变换 W把三维墨点从世界坐标搬到相机坐标系
    WW
  2. 投影雅可比 J透视投影在墨点附近的一阶导数，近似把椭圆压到屏幕平面
    JJ
  3. 相似变换左右各乘一次，把三维协方差投影成二维屏幕椭圆
    Σ′=JWΣWTJT\Sigma' = J W \Sigma W^{T} J^{T}

实践建议：开画前的准备清单与验收尺

画家最后会给你一份开工清单：照片怎么拍、墨点怎么调、成品怎么验收，以及什么题材根本不适合墨点画。数据采集是第一道关：环绕场景多圈拍摄，相邻照片重叠建议不低于 70%，避免曝光跳跃与运动模糊；弱纹理或透明区域，最好放一些标定物辅助。调参方面，重点关注学习率、密度控制阈值、球谐波段数，并用验证视角做早停，防止过拟合到训练视角。

质量评估要用“没参与训练”的照片做测试集：计算 PSNR 看像素误差，SSIM 看结构相似，LPIPS 感知相似度更贴近人眼。选型建议很直白：需要实时渲染、场景可编辑，选 3DGS；需要精确网格做测量，选 MVS；做重光照、极端视角等前沿研究，NeRF 仍有价值。下面这条公式就是你验收时的“量尺”。

有了清单和验收尺，你就能判断“这片风景适不适合墨点画”，并在真实项目里做出有理有据的选型。

PSNR=10log⁡10(MAX2MSE)PSNR = 10 \log_{10}\left(\frac{MAX^{2}}{MSE}\right)
PSNR 由均方误差换算而来，数值越高说明重建越接近真实照片。
  1. 均方误差 MSE渲染图和真实照片逐像素差平方的平均，越小越好
    MSE=1K∑k=1K(Cpred,k−Cgt,k)2MSE=\frac{1}{K}\sum_{k=1}^{K}(C_{\text{pred},k}-C_{\text{gt},k})^{2}
  2. 最大像素值 MAX8 位图像取 255，作为归一化基准
    MAX=255MAX=255
  3. 对数刻度用分贝式对数把误差压缩成直观分数，每多 10 倍误差，分数掉 10
    PSNR=10log⁡10(⋅)PSNR = 10 \log_{10}(\cdot)

AI 应用场景

数字孪生与实景三维

阶段：三维场景重建与数字化

解决的问题：传统 MVS 需要复杂的稠密匹配、网格化和贴图流程，动辄数小时到数天，弱纹理区域还容易破洞；NeRF 训练慢且渲染不实时。3DGS 用无人机环绕照片，十几分钟训练即可产出可实时浏览、可叠加标注的三维场景，适合规划、应急与资产管理。

具体案例：某智慧园区对 2 公里街区采集约 800 张航拍照片，用 COLMAP 求位姿后跑 3DGS，在消费级 GPU 上约 15 分钟生成 400 万颗高斯的街区模型，Web 端 60FPS 浏览，支持楼层选中与漫游。

电商商品建模与 AR 试摆

阶段：商品数字化与 AR 展示

解决的问题：商品 3D 建模过去依赖扫描仪和人工修模，成本高、周期长。用手机绕商品拍 30~60 张照片，3DGS 分钟级出模，质量足以支撑 AR 试摆和商品详情页的交互展示。

具体案例：某家具品牌用转盘加手机拍摄沙发、台灯各 50 张照片，3DGS 训练后导出压缩模型，用户在 App 里把沙发“摆”进客厅，实时查看尺寸与配色是否协调。

影视虚拟制片

阶段：现场场景快速重建与视效合成

解决的问题：影视预演需要把实景快速数字化，供导演和摄影在虚拟引擎里调度机位，MVS 与 NeRF 都太慢。3DGS 能在片场以分钟级完成重建并实时渲染，配合 LED 虚拟拍摄实现“所见即所得”。

具体案例：某摄影棚用一组相机阵列同步采集演员与背景，几分钟重建出可交互的场景模型，灯光师实时调整虚拟光源，导演在虚拟引擎中直接预览机位运动效果，大幅缩短预演周期。

Python 演示

python67 行
import numpy as np H = W = 32N = 40STEPS = 300LR = 0.4 # 目标画作：左上红色落日 + 底部绿色草地 + 顶部淡蓝天空yy, xx = np.mgrid[0:H, 0:W]target = np.zeros((H, W, 3))target[..., 0] = np.exp(-((xx - 20) ** 2 + (yy - 8) ** 2) / 18.0)target[..., 1] = 0.75 * (yy > 24)target[..., 2] = 0.55 * (yy < 7) rng = np.random.default_rng(0)mu = rng.uniform(0, W, (N, 2))sig = rng.uniform(2.0, 4.5, (N, 2))col = rng.uniform(0, 1, (N, 3))opa = rng.uniform(0.3, 1.0, N)  def gauss_field(m, s):    gx = np.exp(-(xx - m[0]) ** 2 / (2 * s[0] * s[0]))    gy = np.exp(-(yy - m[1]) ** 2 / (2 * s[1] * s[1]))    return gx * gy  def forward():    img = np.zeros((H, W, 3))    trans = np.ones((H, W))    G = []    T = []    for i in range(N):        g = gauss_field(mu[i], sig[i])        a = g * opa[i]        G.append(g)        T.append(trans)        img += col[i] * a[..., None] * trans[..., None]        trans = trans * (1 - a)    return img, G, T  def train_step():    img, G, T = forward()    err = np.sign(img - target)    S = np.zeros((H, W, 3))    for i in range(N - 1, -1, -1):        g = G[i]        a = g * opa[i]        Tr = T[i]        gd = err * (Tr[..., None] * col[i] - S / (1 - a[..., None] + 1e-6))        mu[i, 0] -= LR * (gd * g[..., None] * opa[i] * (xx - mu[i, 0])[..., None] / (sig[i, 0] ** 2)).sum()        mu[i, 1] -= LR * (gd * g[..., None] * opa[i] * (yy - mu[i, 1])[..., None] / (sig[i, 1] ** 2)).sum()        opa[i] = np.clip(opa[i] - LR * (gd * g[..., None]).sum(), 0.0, 1.0)        col[i] = np.clip(col[i] - LR * (err * (Tr * a)[..., None]).sum(axis=(0, 1)), 0.0, 1.0)        S += a[..., None] * col[i] * Tr[..., None]  if __name__ == "__main__":    loss0 = np.abs(forward()[0] - target).mean()    for step in range(STEPS):        train_step()    loss1 = np.abs(forward()[0] - target).mean()    print("L1 loss: %.4f -> %.4f" % (loss0, loss1))    art = (forward()[0][..., 0] > 0.35).astype(int)    for row in art:        print("".join("#" if v else "." for v in row))
目的：用 40 颗二维“水彩墨点”通过梯度下降逼近一张目标小画，完整复现 3DGS 的软边缘混合渲染与反向传播调参过程，是三维版的高斯泼溅玩具模型。
  1. target[..., 0] = np.exp(-((xx - 20) ** 2 + (yy - 8) ** 2) / 18.0)在画布左上角定义一颗“红色落日”，作为墨点要复刻的目标
  2. img += col[i] * a[..., None] * trans[..., None]墨点按“前方先叠、后方被遮挡”的顺序混合，等价于正文的 alpha 混合公式
  3. trans = trans * (1 - a)每叠一颗墨点，更新前方剩余透过率
  4. err = np.sign(img - target)L1 损失的梯度：只告诉每颗墨点“往哪个方向调”
  5. gd = err * (Tr[..., None] * col[i] - S / (1 - a[..., None] + 1e-6))反向计算这颗墨点不透明度对损失的贡献（链式法则）
  6. mu[i, 0] -= LR * (gd * g[..., None] * opa[i] * (xx - mu[i, 0])[..., None] / (sig[i, 0] ** 2)).sum()沿梯度挪动墨点圆心，位置越准、光斑越贴
  7. col[i] = np.clip(col[i] - LR * (err * (Tr * a)[..., None]).sum(axis=(0, 1)), 0.0, 1.0)更新墨点颜色并夹到 [0,1]，防止“颜料溢出”

常见误区

误区听说 3DGS 和 NeRF 一样都属于神经渲染，就以为它内部也有一堆神经网络层，只是把输出从体素换成了椭球。

正解3DGS 完全不用神经网络。它只是把场景表示成显式高斯椭球集合，用可微光栅化渲染，靠梯度优化椭球参数；球谐函数也只是数学上的基函数而已。真正用网络编码场景的是 NeRF。把“可微 + 梯度优化”误当成“神经网络”是初学者最常见的混淆。

为何常见：3DGS 常与 NeRF 放在一起介绍，“神经渲染”这个关键词先入为主，让人想当然以为两者同源。

误区看演示都是手机短视频直接变 3D，以为输入质量不重要，拍个三四张也能重建得很好。

正解高覆盖、高重叠的多视角照片是硬前提。SfM 一旦因模糊或重复纹理估错位姿，初始化就崩；弱纹理、反光区域的高斯会“糊成一团”或产生浮游伪影。演示视频的背后是严谨的采集规范，不是魔法。

为何常见：只看到“快”与“好”，忽略了前期数据采集的功夫，把训练快误当成容错高。

误区3DGS 训练快、渲染快，那它一定比 NeRF 省显存，手机也能边拍边跑。

正解场景常含 100 万~500 万颗高斯，每颗约 240 字节，训练时 Adam 还要存一阶、二阶动量，显存动辄数 GB，与 NeRF 相当甚至更大。训练快与内存小是两回事，“快”说的是计算路径短，“省”说的是存储路子窄。

为何常见：人们习惯把速度、质量、内存三个维度打包评价，忽略了它们各自独立的瓶颈。

误区渲染是实时的，那重建也应该是实时的，自动驾驶或机器人可以一边移动一边重建地图。

正解渲染是训练完成后的前向过程；训练仍要几分钟到几十分钟，而且依赖 SfM 位姿。要动态更新场景需要 4DGS 等扩展，计算更重。“实时渲染”不等于“实时学习”，一个是放映厅，一个是暗房。

为何常见：混淆了推理（inference）与训练（training）两个阶段，被“实时”二字一叶障目。

面试题

Q1. 3DGS 中，以下哪项不是每个高斯椭球的可优化参数？

单选题 · easy

  • A.位置向量
  • B.颜色分量
  • C.相机参数← 正确答案
  • D.不透明度

答案：C。3DGS 优化的只是场景中墨点的参数（位置、颜色、不透明度、形状等），相机参数由 SfM 预先求出并基本固定。相机参数属于拍摄设备，不属于墨点——墨点不会改变镜头。

Q2. 相比 NeRF 的隐式辐射场，3DGS 的核心区别是什么？

单选题 · mid

  • A.用神经网络的权重记录场景信息
  • B.用可微光栅化直接渲染显式椭球← 正确答案
  • C.用体素网格存储密度与颜色
  • D.用点云配准迭代对齐视角

答案：B。NeRF 把场景压缩进神经网络权重，逐像素沿射线采样积分；3DGS 把场景显式存成高斯椭球集合，一次光栅化完成渲染。A 是 NeRF，C 是体素法，D 是 MVS 的思路。

Q3. 3DGS 流程中，SfM（运动恢复结构）主要负责什么？

单选题 · easy

  • A.估计相机位姿并生成初始稀疏点云← 正确答案
  • B.直接输出最终的稠密网格模型
  • C.训练一个渲染场景的神经网络
  • D.对照片做超分辨率与去噪增强

答案：A。SfM 从多张照片中找匹配特征，同时估计每张照片的相机位姿并输出稀疏点云，这些稀疏点正是高斯初始化的“种子墨点”。它不做稠密网格，也不训练任何网络。

Q4. 协方差矩阵分解 Σ=RS SᵀRᵀ 中，R 矩阵由什么参数转换而来？

单选题 · mid

  • A.三维平移向量
  • B.四元数旋转参数← 正确答案
  • C.球谐系数向量
  • D.各向同性缩放值

答案：B。为保证椭球合法（对称正定），论文把 Σ 拆成 RS SᵀRᵀ，其中 R 由四元数参数化，S 是各轴缩放对角阵。平移向量管位置，球谐系数管颜色，都与形状无关。

Q5. 高斯椭球使用球谐函数（SH）表示颜色的好处是什么？

单选题 · mid

  • A.能表达随视角变化的色彩与光泽← 正确答案
  • B.能让训练损失收敛得更平稳
  • C.能减少照片采集的数量需求
  • D.能自动修复缺失的纹理区域

答案：A。真实场景的颜色会随视角变化（高光、珠光、镜面反射），球谐函数用一组正交基系数近似这种方向变化，相当于给墨点涂上珠光漆。它不改变训练稳定性，也不弥补数据采集。

Q6. 3DGS 相比 NeRF 的优势包括哪些？

多选题 · mid

  • A.训练耗时明显更短← 正确答案
  • B.渲染帧率接近实时← 正确答案
  • C.显存占用显著更小
  • D.表示具有显式可编辑性← 正确答案

答案：ABD。3DGS 不用逐射线采样，训练一般几分钟，渲染可达上百帧，且椭球可直接增删改查。但显存占用并不小，反而常是部署瓶颈，C 的说法与事实相反。

Q7. 训练中的“高斯密度控制”对过重建区域（大而模糊的高斯）的常见处理是什么？

单选题 · hard

  • A.将大高斯分裂成多个小高斯← 正确答案
  • B.将小高斯克隆填充空洞区域
  • C.直接降低整体场景的不透明度
  • D.冻结该区域高斯参数的更新

答案：A。密度控制三件套：对“大而糊”的高斯做分裂，对“小而密”的高斯做克隆以补充欠重建，对透明度过低的做剪枝删除。题干问的是过重建，对应分裂。

Q8. 3DGS 在实际应用中存在的局限有哪些？

多选题 · extreme

  • A.场景高斯数量多导致显存开销大← 正确答案
  • B.极端视角外推时渲染质量下降← 正确答案
  • C.透明反光表面往往重建不理想← 正确答案
  • D.完全不需要任何相机位姿数据

答案：ABC。数百万颗高斯加 Adam 动量副本身，显存轻松上 GB；对没见过的视角，椭球外推缺少约束；玻璃、水面等透明反光表面难以用不透明椭球逼近。D 完全说反——3DGS 严重依赖 SfM 位姿。

Q9. 3DGS 沿视线从前到后合成高斯颜色的正确公式是哪一个？

单选题 · mid

  • A.C=ΣcᵢαᵢΠ(1-αⱼ) 加权混合← 正确答案
  • B.C=ΠcᵢαᵢΣ(1-αⱼ) 累乘混合
  • C.C=Σcᵢ(1-αᵢ)Παⱼ 反向混合
  • D.C=mean(cᵢαᵢ) 平均混合

答案：A。沿视线排序后，每颗墨点的可见率等于前方所有墨点“都没挡住它”的乘积，最终颜色是 Σ cᵢαᵢΠ(1-αⱼ)。B、C 把求和与连乘的位置弄反，D 的平均混合不符合真实遮挡逻辑。

Q10. 关于 PSNR 指标，下列说法正确的是哪些？

多选题 · easy

  • A.数值越高说明重建越接近真值← 正确答案
  • B.数值越低说明图像误差越小
  • C.比较前需渲染同角度图像← 正确答案
  • D.只能衡量结构相似不能比较亮度

答案：AC。PSNR 由 MSE 换算而来，数值越高=误差越小=越接近真值；比较时必须让渲染视角与真值照片一致。它衡量的是逐像素误差而非结构，所以 D 说反了。