当前位置：首页 > news >正文

3DGS与NeRF的区别及3DGS优化全流程详解

news 2026/8/9 5:02:21

1. 3DGS与NeRF的区别

NeRF（Neural Radiance Fields）和3DGS（3D Gaussian Splatting）是当前三维场景重建与渲染领域的两大主流技术，它们在表示方式、渲染流程、性能和应用场景上存在显著差异。

1.1 表示方式

NeRF：采用隐式神经表示。场景被建模为一个连续函数，输入空间位置和观察方向，输出该点的颜色和体密度。

# NeRF隐式函数表示 (F_{\theta}(\mathbf{x}, \mathbf{d}) \rightarrow (\mathbf{c}, \sigma))

3DGS：采用显式3D高斯表示。场景由一组离散的、可学习的3D高斯椭球构成。每个高斯椭球由以下参数定义：

位置（均值）
协方差矩阵（控制椭球的形状和方向）
不透明度
颜色（通过球谐函数SH系数表示）

1.2 渲染流程

NeRF：基于体渲染（Volume Rendering）。沿相机光线采样多个点，通过神经网络查询每个点的颜色和密度，然后通过数值积分（如分层采样）合成最终像素颜色。

体渲染公式：

其中为透射率。

3DGS：基于可微光栅化（Differentiable Rasterization）。将每个3D高斯椭球投影到2D图像平面，形成2D高斯核，然后通过alpha-blending（按深度排序）合成像素颜色。

投影后的2D协方差矩阵：

其中为视图变换矩阵，为投影雅可比矩阵。

像素颜色合成公式（alpha-blending）：

其中为按深度排序后覆盖该像素的高斯集合。

1.3 性能与特性对比

特性	NeRF	3DGS
表示方式	隐式（神经网络）	显式（3D高斯集合）
渲染速度	慢（需多次网络前向）	快（可微光栅化，实时）
训练速度	慢（数小时至数天）	快（数分钟至数小时）
显存占用	较低（网络参数）	较高（存储大量高斯参数）
编辑性	困难（隐式表示）	容易（显式，可增删改高斯）
压缩性	一般（网络权重）	较好（可量化、剪枝）
质量	高（连续，细节好）	高（近年已接近NeRF）

2. 3DGS优化全流程

3DGS的优化是一个从稀疏点云初始化为起点，通过可微渲染、损失计算、参数更新、自适应密度控制等步骤迭代优化的过程。

2.1 初始化

通常从运动恢复结构（SfM）得到的稀疏点云开始。每个点云点被初始化为一个各向同性的3D高斯：

位置：点云坐标
协方差（初始为球体）
不透明度
颜色（SH系数）：初始为视图无关的漫反射颜色

2.2 可微渲染与损失函数

每一轮迭代，对训练视图进行可微渲染，得到预测图像，并与真实图像比较计算损失。

常用损失函数为L1损失与SSIM损失的加权和：

其中，，。

2.3 参数优化

使用梯度下降法（如Adam）更新所有高斯的参数：

位置
协方差矩阵（实际优化缩放和旋转四元数）
不透明度
球谐系数

协方差矩阵由缩放和旋转参数重建：

其中，为由四元数转换的旋转矩阵。

2.4 自适应密度控制

这是3DGS优化的核心机制，用于动态增加（克隆/分裂）或删除（修剪）高斯，以更好地覆盖场景几何。

克隆：对于位置梯度大的高斯（位于重建不足区域），将其复制一份，并沿位置梯度方向轻微扰动。

分裂：对于尺度过大（协方差矩阵特征值过大）的高斯，将其分裂为两个更小的高斯，以增加局部细节。

修剪：定期移除不透明度低于阈值（如0.005）或体积过小的高斯，以控制总数。

2.5 优化流程伪代码

# 初始化 gaussians = initialize_from_sfm(point_cloud) optimizer = Adam(gaussians.parameters()) for iteration in range(max_iterations): # 1. 可微渲染 rendered_image = differentiable_rasterization(gaussians, camera_pose) # 2. 计算损失 loss = (1 - lambda) * L1_loss(rendered_image, gt_image) + lambda * (1 - SSIM(rendered_image, gt_image)) # 3. 反向传播 loss.backward() optimizer.step() optimizer.zero_grad() # 4. 自适应密度控制（每N次迭代执行） if iteration % density_control_interval == 0: # 克隆梯度大的高斯 clone_gaussians_with_large_gradients(gaussians) # 分裂尺度过大的高斯 split_large_gaussians(gaussians) # 修剪不透明度过低的高斯 prune_opaque_gaussians(gaussians, threshold=0.005) # 5. 重置不透明度（可选，避免饱和） reset_opacity(gaussians)