简介这份gaussian-splatting资源是一套完整的3D高斯泼溅3DGS三维重建与实时渲染代码实现面向深度学习、三维视觉方向的工程师与科研人员可帮助读者从多视角图像快速重建高质量可交互场景。压缩包共包含2000个文件以C与Python源码为核心涵盖hpp、cpp、py等程序文件同时配有用于Web可视化的HTML/JS前端资源以及配置文件整体体积约489MB结构清晰便于按模块查阅。已内置完整的预处理、训练与可视化流程并附带了iPhone实拍的可重建数据集可直接运行复现支持COLMAP与NeRF Synthetic数据格式。可视化模块支持WSAD控制视角、UIOJKL旋转相机便于交互检查重建效果。目前已有757人学习下载适合希望快速上手3DGS并动手实践完整重建流程的中高级研究者与开发者。1. 为什么这个.zip突然火遍三维视觉圈如果你最近在逛 GitHub、X 或者各种 AI 相关社群大概率会看到 “gaussian-splatting” 反复刷屏。如果你下载过一个叫gaussian-splatting.zip的压缩包那恭喜你已经碰上了 2023 年以来三维重建领域最具冲击力的一项技术。这个文件不是病毒也不是什么游戏素材而是德国马普所团队开源的项目全称叫3D Gaussian Splatting for Real-Time Radiance Field Rendering。它做的事情简单来说就是给你一堆从不同角度拍的照片它能重建出一个非常真实的 3D 场景并且渲染速度能做到实时。这项技术解决的问题很直接传统的三维重建要么慢要么质量低要么对设备要求高到离谱。NeRF 虽然效果好但训练和渲染都慢得让人抓狂。而 Gaussian Splatting 用一种完全不同的思路把场景表示成一大堆 3D 高斯椭球训练速度快一个量级渲染速度更是直接拉到实时级别。我拿到这个.zip之后花了一整个周末跑通了一套从拍摄到出片的流程这篇文章就是想把整个实操过程、原理背景和踩过的坑一次性说清楚。这个项目适合三类人一是做计算机视觉的在校学生或研究员想快速上手复现 SOTA 效果二是行业里的三维重建工程师想把这套方案用于实际产品三就是纯粹喜欢折腾的极客拿着手机拍一圈就能生成可交互的 3D 场景这种创造感很难不上瘾。接下来的内容不会只贴命令参数我会把环节里逻辑上的取舍“为什么这么干”也拆开讲一遍。2. 项目核心拆解Gaussian Splatting 到底在做什么2.1 从 NeRF 到 3DGS思路上的彻底反转在理解 Gaussian Splatting后文简称 3DGS之前得先聊聊 NeRF 这个绕不开的前任。NeRF 的核心思路是用一个神经网络去隐式地表示一个三维场景的体积密度和颜色。你没法直接看到这个“模型”它只是一堆权重。渲染的时候从相机光线出发沿着路径采样一堆点挨个问神经网络“这个点的颜色和密度是多少”然后积出像素值。这带来的问题是一次渲染要对一条光线的几十个点做神经网络推理虽然精度高但速度上不去训练也要几小时甚至几天。3DGS 走的是完全相反的路把场景显式地表示成成千上万个 3D 高斯分布椭球每一个椭球有自己的中心位置、协方差矩阵、颜色和透明度。想象一下你拿一堆半透明的彩色水滴堆出一个物体的形状这就是 3DGS 的基本概念。渲染时不是去“查询”神经网络而是把这堆高斯椭球按照一定顺序投影到图像平面上再用光栅化的方式直接算颜色。整个过程跟传统图形学管线更相似所以 GPU 利用率极高能做实时渲染。这个思路反转的根源在于NeRF 把太多东西压在神经网络这个黑箱里而 3DGS 选择把场景“显式化”。显式化的好处是你可以准确地控制场景里的每个局部区域也能轻松做编辑比如删掉某个高斯椭球就是删掉场景里的一块这在 NeRF 里是非常难操作的。打个比方NeRF 像你把一幅画全存在一个加密的压缩包里要看的时候必须整个解压计算3DGS 则是把这幅画拆成无数个彩色的半透明圆点摆在桌上你可以随时调整个别圆点也可以快速扫一眼看到全貌。2.2.zip里到底装了什么项目结构逐层解析下载gaussian-splatting.zip解压之后你会看到一套标准的项目结构。我第一次解压的时候在里面翻了一圈搞清楚几个关键部分这里给大家梳理一下gaussian-splatting/ ├── arguments/ # 命令行参数定义 ├── gaussian_renderer/ # 渲染核心代码 ├── scene/ # 场景数据管理、COLMAP 对接 ├── utils/ # 各种工具函数 ├── train.py # 训练入口 ├── render.py # 离线渲染入口 ├── convert.py # 数据格式转换图片转COLMAP格式 ├── requirements.txt # Python 依赖列表 └── README.md # 官方文档说明最重要的理解路径是convert.py负责把普通照片转换为 COLMAP 能用的数据格式并生成相机参数train.py负责从这些数据中优化出 Gaussian 模型最后的render.py负责将模型渲染成视频或图像。官方代码写得比较紧凑依赖 PyTorch 和 CUDA 扩展需要自己编译高斯的栅格化内核这一步是很多新手最容易卡住的地方。我建议拿到代码后先不要急着跑通读一遍train.py的主循环搞清楚一个 step 里发生了什么从场景中采样视角用当前的 3DGS 渲染出图像跟真实图像算 L1 和 SSIM 损失然后反传更新每个高斯的参数每隔一定轮次剪掉不透明度过低的高斯在梯度较大的区域克隆或分裂高斯来增加细节。这套自适应控制策略是 3DGS 效果好的一个核心原因。2.3 关键词背后的热度脉络为什么是现在火“gaussian-splatting” 这个搜索词在最近一段时间持续走高背后有几层原因。第一它是目前极少数同时在学术指标和实际体验上都非常出色的方案。Mip-NeRF 360 训练一个场景要几小时3DGS 用同样数据训练只要 20 到 40 分钟渲染速度更是从 NeRF 的秒级帧率提升到百帧以上。第二3DGS 的数据表示形式天然适合工程落地。模型导出后类似点云但比点云多了一堆可学习的属性可以用更成熟的图形学或游戏引擎流程去做二次开发。第三社区生态发展极快出现了大量基于 3DGS 的三维生成、编辑、动画工具连一些手机 App 都能实时做 Gaussian 重建了。这三点叠加起来让 Gaussian Splatting 不再只是实验室里的玩具而成了通向未来三维内容生产方式的重要节点。很多人拿到这个.zip并不是冲着算法论文去的而是拿它当工具来玩拍一个咖啡杯生成一个可旋转的 3D 模型拍一间办公室导到一个虚拟场景里甚至有人拿它做人像重建。这个热度是技术成熟度带来的必然结果。3. 实操全过程从照片到 3D 场景3.1 拍摄阶段数据采集的“潜规则”3DGS 看起来是“随便拍拍就行”实际对采集是有一定要求的。它本质上依赖多视角立体视觉MVS的流程来初始化场景结构所以照片质量直接决定重建质量。我试过用手机拍一盏台灯又试过用单反拍一个 1 米见方的桌面场景经验如下相机不要大幅改变焦距固定焦距拍摄最稳变焦会严重影响 COLMAP 的匹配。环绕物体拍摄时相邻两张照片的重叠度保持在 60% 到 80%一圈至少拍 50 到 100 张。少了匹配不稳定多了纯属浪费时间。尽量避免反光表面、透明物体、纯白无纹理区域。这些地方的特征点提取不出来COLMAP 会在这里“翻车”重建结果会糊成一片。光照要均匀稳定最好选多云天气或室内灯光环境避免强烈的阴影变化。还有一个反直觉的提示不要过度使用“高画质”模式。5000 万像素的照片不会比 1200 万像素的照片多出有效信息反而会让 COLMAP 的特征提取和匹配慢不少。官方建议用 1080p 到 2K 之间我用的时候一般会压缩到 1600 像素左右。3.2 环境配置CUDA、PyTorch 与编译那点事这一步是大多数人最容易卡住的地方。requirements.txt里列了常用的依赖但真正麻烦的是编译原生的 Gaussian rasterization 内核。官方代码在 Linux 上比较顺利Windows 上也有人跑通但需要折腾 Visual Studio 和 CUDA 工具链的版本严丝合缝。我用的环境参考如下# 官方推荐配置我实测可行 Ubuntu 22.04 Python 3.9 CUDA 11.8 PyTorch 2.0.0安装流程大致是git clone https://github.com/graphdeco-inria/gaussian-splatting cd gaussian-splatting conda env create --file environment.yml conda activate gaussian_splatting环境装好只是第一步pip install之后还需要跑train.py它会自动尝试编译子模块。如果编译失败通常是因为缺少g、cuda-toolkit或者 CUDA 路径不对。这个时候看一眼报错把 CUDA_HOME 设好基本就能解决。这里有个经验别用太新的 CUDA 和 PyTorch 版本。很多人一上来就装最新版结果编译各种报错。3DGS 对 PyTorch 版本的兼容性不是很好官方测试过的版本最稳。我试过 PyTorch 2.1 和 CUDA 12.2也能跑但没有任何收益反而多花时间排错。3.3 数据转换COLMAP 是绕不开的“前置司仪”3DGS 本身不做特征匹配它需要 COLMAP 先算好相机位姿和稀疏点云。没有这一步后面的训练就是空中楼阁。官方提供了一个一键转换的脚本python convert.py -s /path/to/your/dataset这里/path/to/your/dataset下需按下面的方式放图片dataset/ ├── images/ │ ├── IMG_0001.jpg │ ├── IMG_0002.jpg │ └── ...脚本会自动调用 COLMAP 的特征提取、特征匹配、稀疏重建然后把结果转成 3DGS 需要的格式。convert.py里头还默认做了图片缩放默认是 4 倍下采样和图片完整性检查如果图太多它会提示。整个转换过程耗时取决于照片数量和分辨率一般 100 张图片 2 分钟搞定。等待的时候你其实可以盯着 COLMAP 生成的稀疏点云看如果点云里的结构能看出物体的轮廓说明匹配得不错如果点云散布成一团或几乎为空基本可以判断拍摄出了问题不要浪费时间继续训练。3.4 训练参数与调优别急着无脑默认值默认参数在大多数场景下效果不错但要出高质量结果还是得理解几个关键超参数的含义。启动训练python train.py -s /path/to/your/dataset -m /path/to/output官方默认迭代次数是 30000 轮期间会经历数次学习率衰减。核心参数包括参数名默认值作用调整建议sh_degree3球谐阶数控制视角相关的颜色变化默认即可角度变化大的场景可以保留拍静态物体可降到2densify_until_iter15000控制稠密化的最大迭代轮次过大会让模型过拟合噪点默认够用densify_grad_threshold0.0002梯度超过该值则在该位置细化高斯场景纹理丰富反而适当调高iterations30000总训练迭代次数想加快可降到 20000质量会有轻微下降场景不复杂够用position_lr_max_step30000位置学习率衰减步长跟iterations联动改迭代数也要改这里训练时间主要取决于高斯数量和数据集中图片数量。一个 30 万高斯的场景在 RTX 4090 上约 10 分钟出头在 3070 上约 20 分钟左右。如果第一次跑建议用小的数据集把流程走通再去追求精度。训练结束后输出目录里会出现point_cloud.ply这个就是可以直接用来实时渲染的 Gaussian 模型文件。可以用项目自带的实时查看器也可以导入我下面要讲的第三方工具。4. 核心环节深度解析3D 高斯是怎么迭代出来的4.1 自适应密度控制从稀疏点云到稠密细节的“点石成金”3DGS 最聪明的地方在于它不从零开始随机初始化而是用 COLMAP 的稀疏点云作为初始分布。这些点通常很稀疏一个平面可能只覆盖几个点。如果直接训练细节根本出不来。因此作者引入了自适应密度控制机制这是整个优化策略的灵魂。具体逻辑是训练过程中统计每个高斯椭球在投影上的梯度。如果一个高斯被投影到图像上时损失对它的梯度很大说明这个区域的误差大需要更多细节。这时算法会做出两种操作之一如果这个高斯比较小就在它附近克隆一个如果它已经比较大就把它分裂成两个更小的。此外每过一定轮次会把不透明度低于阈值的“隐形”高斯直接删掉把体积太大且冗余的高斯也清理掉。这样就能在细节不够的地方自动增加模型容量在无用区域自动削减计算量。另一种直观的理解方式这就像一个雕塑家先用大块的泥巴堆出粗坯然后在凹陷的地方不断补泥在多余的地方削掉。初始点云就是粗坯高斯数量从一个比较小的数字开始随着训练逐步膨胀到几十万甚至上百万。合理的密度分布是 3DGS 视觉效果真实的核心原因。4.2 球谐函数为什么转着看颜色会变场景在不同视角下颜色是有变化的比如头发丝在逆光和顺光下颜色不一样手机屏幕在某个角度会发白金属表面在不同光照下有高光和反光。3DGS 给每个高斯椭球存储了一种叫“球谐函数”的系数用这些系数来近似表达“颜色随视角变化”的关系。球谐函数可以理解为一组“光照基函数”类似于傅里叶级数可以用不同频率的波形组合出任意周期信号球谐函数可以用一组定义在球面上的基函数去逼近任意定义在球面上的函数。在这里这个函数就是颜色关于视角方向的映射。sh_degree3意味着每个颜色通道用 16 个球谐系数去拟合信息量已经足够表达绝大多数场景。这个设计的巧妙之处在于它不像 NeRF 那样需要一个 MLP 去“计算”视角相关的颜色而是直接把系数存到每个高斯里。渲染的时候根据当前视角方向算一个多项式求值计算量非常小。这种“用存储换速度”的策略是 3DGS 高性能的一个关键。4.3 快速栅格化渲染透明椭圆的“画家算法”3DGS 的实时渲染核心是论文里那套专门写的 CUDA 栅格化 kernel。渲染时所有高斯椭球被按深度排序然后一个接一个地往前投影。这和传统图形学里的画家算法很像先画远处的物体再用近处的物体覆盖。但是高斯椭球是半透明的不能简单覆盖需要做 alpha blending也就是每个像素按照顺序累加每个高斯的颜色和不透明度。排序这一步绝不能省因为半透明渲染对顺序极其敏感。GPU 上高效的并行排序、每个高斯对像素的贡献范围裁剪是这套 CUDA 代码的核心优化。3DGS 渲染速度能达到 100 FPS就是因为这些操作都是传统图形学的拿手好戏而且能直接在 GPU 上并行处理。这也解释了为什么 3DGS 可以直接用到游戏引擎或实时交互工具里它的渲染流程和三角形光栅化太像了。业内也有人实现在 Web 端通过 WASM 和 WebGPU 加载 Gaussian Splat 模型做交互展示效果都很惊艳。5. 常见问题与排查技巧实录5.1 问题速查表这一部分我直接整理成表格都是我在调试过程中真正踩过的坑以及在社区里见到频率最高的问题问题现象可能原因解决思路COLMAP 重建结果为空或点云极稀疏图片重叠度不足纹理过少焦距变动重新拍摄保证相邻图重叠 60% 以上加入更多特征点明显的物体训练 loss 不下降或训练崩溃学习率设置不合适显存溢出数据格式错误看训练日志是否出现 NaN减小图像分辨率检查 COLMAP 结果输出的渲染图像出现大量黑色“雾状”区域高斯不透明度太低场景覆盖不全没拍到的地方增加拍摄角度把未覆盖区域尽量从场景中裁掉稍微增大初始化点云数量训练过程显存不足OOM图像分辨率过大高斯数量爆炸batch 太大降低-r缩放到convert.py里的分辨率减少图片数量减小 sh_degree运行render.py输出黑屏或彩色噪点相机参数错误模型文件损坏重新检查输出目录里的相机参数确认是用同一个数据集训练出来的模型编译 CUDA 扩展时报nvcc not found没装 CUDA Toolkit 或路径不对export CUDA_HOME/usr/local/cuda-11.8后重新pip install submodules或重启终端5.2 最容易被忽略的渲染异常相机对齐与场景裁剪其中最容易出差错的是姿态估算错误导致的“背景正确、前景模糊”这类问题。COLMAP 在稀疏重建时如果相机位姿估算有误差3DGS 会尝试用一堆半透明高斯去“强行弥合”这个误差结果就是你看到一个整体轮廓正确但细节全是糊的场景。如果你遇到这种问题优先怀疑 COLMAP 结果而不是训练参数。一个很实用的排查方法训练完成后打开输出目录里的train日志里保存的每隔 1000 步渲染出来的验证图。如果验证图在刚开始几百步时连大概的轮廓都看不出那不是训练参数问题是输入数据问题。如果轮廓清晰但细节毛糙那才是参数调优问题。这套从粗到精的定位法能帮你少走很多弯路。还有一个容易踩的坑是场景背景比例过大。3DGS 会对整个视野范围负责如果你拍的物体只占画面中央很小一块模型会把大量高斯分配给背景物体本身的细节反而出不来。解决方法是拍摄时让物体在画面中占更高比例或者训练前用 Mask 把背景裁掉只保留前景区域让高斯高密度地集中在目标物体上。5.3 避坑技巧数据质量是上限算法只是逼近上限我在多个项目里反复得到同一个结论3DGS 的性能虽然炸裂但它的上限还是被输入数据钉死的。就是说算法再强也不能从没有信息的地方编出信息来。你在拍摄时多花十分钟换角度、补光照比训练时调三天参数都管用。给新手的几个实操心得拍摄时保持手机/相机在同一个高度和距离范围半径 0.5 米的环形移动效果最佳。尽量不要带运动模糊的照片进数据集COLMAP 看到模糊图就头疼。如果条件允许同一圈拍两遍一遍顺时针一遍逆时针既能提高重建鲁棒性又能在后期出问题时多一份备用数据。训练前可以用python convert.py生成的数据检查一遍相机位置分布COLMAP 的输出目测是否均匀环绕物体如果是杂乱无章的分布果断重拍。6. 工具链延伸训练完之后还能做什么6.1 实时查看器与渲染器训练完成后项目自带一个基于 SIBRSimple Interactive Browser for Radiance Fields的实时查看器在 Windows 或 Linux 上都能编译。启动命令大致是./bin/SIBR_viewers/.../SIBR_gaussianViewer_app -m /path/to/output打开之后你会看到一个实时 3D 场景可以像玩游戏一样绕着走。这种流畅交互的体验是 3DGS 相比 NeRF 最直观的优势。如果你不想编译也有一堆第三方 Web 查看器可以直接拖入.ply文件比如 SuperSplat 这个基于 Web 的编辑器支持查看、修改甚至删除单个高斯我把拍摄的咖啡杯导入进去实时编辑效果相当顺手。6.2 模型编辑、动画化与其他扩展3DGS 的热度不仅在于重建本身更在于它打开了后续加工的大门。因为是显式表示你可以直接把高斯当作点云处理用几何算法做裁剪、平移、旋转可以把不同场景拼接起来也可以把某个高斯的某些属性从时间轴上官联起来做动态场景还有团队做“从文字提示直接编辑 3DGS 场景”比如把重建好的办公室里的椅子用文字换成沙发。这些扩展项目在 GitHub 上基本都是基于官方这份代码二次开发的所以先把官方.zip里的代码吃透再去看别的仓库会觉得顺手很多。这也是为什么我建议不要光跑一个 demo 就完事认真读读train.py的训练循环理解每个高斯参数的含义之后玩各种扩展项目都能举一反三。6.3 移动端与实时应用场景的想象空间手机厂商和高德地图、谷歌地图这类公司对 3DGS 的落地兴趣非常大。因为传统的高精地图重建需要采集车 LiDAR 大量后处理成本极高。而 3DGS 只需要普通 RGB 相机就能做出视觉上相当真实的场景且渲染速度能达到实时。虽然几何精度还比不上 LiDAR 级别的重建但视觉真实感已经足够用于导航、室内漫游、线上展厅等场景。我自己测试过把一个 10 平方米的室内房间重建出 3DGS然后在手机浏览器上加载帧率能到 30 FPS 左右体量也只有 200 多 MB。如果把点云抽稀、SH 降到 2 阶能压到 100 MB 以内帧率还能翻倍。这意味着在移动设备上做轻量级 3D 内容展示是完全可行的这也是它引发工业界关注的核心原因之一。还有不少团队在做“3DGS 大模型”的结合。比如文本生成 3DGS、单张图片生成 3DGS、用扩散模型对 3DGS 做风格迁移。可以说这份.zip只是起点围绕它的生态还在快速膨胀。7. 一点个人经验和扩展思路最后说点我自己的体会。我第一次跑通 3DGS 的时候其实没有立刻理解它为什么能这么强后来花时间回去补了论文里的数学推导和 CUDA 实现才真正开始对它得心应手。这里真心建议各位不要只当它是一个“黑盒工具”可以试着改一下gaussian_renderer里的渲染代码把中间结果可视化出来观察高斯椭球在场景里的分布那种“原来每一颗高斯都是场景里的一块小拼图”的理解是自己瞎调参数换不来的。如果你打算扩展这个项目方向上有三个我个人觉得很值得尝试的方向一是动态场景和 4D 重建目前社区里已有相关代码和数据集把时间轴加入高斯的参数二是结合大语言模型做场景理解与编辑让模型既能输出场景也能“听懂”用户指令去改场景三是把整个流程搬到浏览器端做纯 Web 的采集到重建一体工具。动手是最好的学习方式。找一样你不心疼的小物件用手机围着拍上一圈按这篇文章里的步骤走一遍就能体会到从几十张照片到活生生的 3D 场景在屏幕上转动起来的奇妙感。本文还有配套的精品资源点击获取 3D Gaussian Splatting 实战指南：从原理到实时三维场景重建
简介这份gaussian-splatting资源是一套完整的3D高斯泼溅3DGS三维重建与实时渲染代码实现面向深度学习、三维视觉方向的工程师与科研人员可帮助读者从多视角图像快速重建高质量可交互场景。压缩包共包含2000个文件以C与Python源码为核心涵盖hpp、cpp、py等程序文件同时配有用于Web可视化的HTML/JS前端资源以及配置文件整体体积约489MB结构清晰便于按模块查阅。已内置完整的预处理、训练与可视化流程并附带了iPhone实拍的可重建数据集可直接运行复现支持COLMAP与NeRF Synthetic数据格式。可视化模块支持WSAD控制视角、UIOJKL旋转相机便于交互检查重建效果。目前已有757人学习下载适合希望快速上手3DGS并动手实践完整重建流程的中高级研究者与开发者。1. 为什么这个.zip突然火遍三维视觉圈如果你最近在逛 GitHub、X 或者各种 AI 相关社群大概率会看到 “gaussian-splatting” 反复刷屏。如果你下载过一个叫gaussian-splatting.zip的压缩包那恭喜你已经碰上了 2023 年以来三维重建领域最具冲击力的一项技术。这个文件不是病毒也不是什么游戏素材而是德国马普所团队开源的项目全称叫3D Gaussian Splatting for Real-Time Radiance Field Rendering。它做的事情简单来说就是给你一堆从不同角度拍的照片它能重建出一个非常真实的 3D 场景并且渲染速度能做到实时。这项技术解决的问题很直接传统的三维重建要么慢要么质量低要么对设备要求高到离谱。NeRF 虽然效果好但训练和渲染都慢得让人抓狂。而 Gaussian Splatting 用一种完全不同的思路把场景表示成一大堆 3D 高斯椭球训练速度快一个量级渲染速度更是直接拉到实时级别。我拿到这个.zip之后花了一整个周末跑通了一套从拍摄到出片的流程这篇文章就是想把整个实操过程、原理背景和踩过的坑一次性说清楚。这个项目适合三类人一是做计算机视觉的在校学生或研究员想快速上手复现 SOTA 效果二是行业里的三维重建工程师想把这套方案用于实际产品三就是纯粹喜欢折腾的极客拿着手机拍一圈就能生成可交互的 3D 场景这种创造感很难不上瘾。接下来的内容不会只贴命令参数我会把环节里逻辑上的取舍“为什么这么干”也拆开讲一遍。2. 项目核心拆解Gaussian Splatting 到底在做什么2.1 从 NeRF 到 3DGS思路上的彻底反转在理解 Gaussian Splatting后文简称 3DGS之前得先聊聊 NeRF 这个绕不开的前任。NeRF 的核心思路是用一个神经网络去隐式地表示一个三维场景的体积密度和颜色。你没法直接看到这个“模型”它只是一堆权重。渲染的时候从相机光线出发沿着路径采样一堆点挨个问神经网络“这个点的颜色和密度是多少”然后积出像素值。这带来的问题是一次渲染要对一条光线的几十个点做神经网络推理虽然精度高但速度上不去训练也要几小时甚至几天。3DGS 走的是完全相反的路把场景显式地表示成成千上万个 3D 高斯分布椭球每一个椭球有自己的中心位置、协方差矩阵、颜色和透明度。想象一下你拿一堆半透明的彩色水滴堆出一个物体的形状这就是 3DGS 的基本概念。渲染时不是去“查询”神经网络而是把这堆高斯椭球按照一定顺序投影到图像平面上再用光栅化的方式直接算颜色。整个过程跟传统图形学管线更相似所以 GPU 利用率极高能做实时渲染。这个思路反转的根源在于NeRF 把太多东西压在神经网络这个黑箱里而 3DGS 选择把场景“显式化”。显式化的好处是你可以准确地控制场景里的每个局部区域也能轻松做编辑比如删掉某个高斯椭球就是删掉场景里的一块这在 NeRF 里是非常难操作的。打个比方NeRF 像你把一幅画全存在一个加密的压缩包里要看的时候必须整个解压计算3DGS 则是把这幅画拆成无数个彩色的半透明圆点摆在桌上你可以随时调整个别圆点也可以快速扫一眼看到全貌。2.2.zip里到底装了什么项目结构逐层解析下载gaussian-splatting.zip解压之后你会看到一套标准的项目结构。我第一次解压的时候在里面翻了一圈搞清楚几个关键部分这里给大家梳理一下gaussian-splatting/ ├── arguments/ # 命令行参数定义 ├── gaussian_renderer/ # 渲染核心代码 ├── scene/ # 场景数据管理、COLMAP 对接 ├── utils/ # 各种工具函数 ├── train.py # 训练入口 ├── render.py # 离线渲染入口 ├── convert.py # 数据格式转换图片转COLMAP格式 ├── requirements.txt # Python 依赖列表 └── README.md # 官方文档说明最重要的理解路径是convert.py负责把普通照片转换为 COLMAP 能用的数据格式并生成相机参数train.py负责从这些数据中优化出 Gaussian 模型最后的render.py负责将模型渲染成视频或图像。官方代码写得比较紧凑依赖 PyTorch 和 CUDA 扩展需要自己编译高斯的栅格化内核这一步是很多新手最容易卡住的地方。我建议拿到代码后先不要急着跑通读一遍train.py的主循环搞清楚一个 step 里发生了什么从场景中采样视角用当前的 3DGS 渲染出图像跟真实图像算 L1 和 SSIM 损失然后反传更新每个高斯的参数每隔一定轮次剪掉不透明度过低的高斯在梯度较大的区域克隆或分裂高斯来增加细节。这套自适应控制策略是 3DGS 效果好的一个核心原因。2.3 关键词背后的热度脉络为什么是现在火“gaussian-splatting” 这个搜索词在最近一段时间持续走高背后有几层原因。第一它是目前极少数同时在学术指标和实际体验上都非常出色的方案。Mip-NeRF 360 训练一个场景要几小时3DGS 用同样数据训练只要 20 到 40 分钟渲染速度更是从 NeRF 的秒级帧率提升到百帧以上。第二3DGS 的数据表示形式天然适合工程落地。模型导出后类似点云但比点云多了一堆可学习的属性可以用更成熟的图形学或游戏引擎流程去做二次开发。第三社区生态发展极快出现了大量基于 3DGS 的三维生成、编辑、动画工具连一些手机 App 都能实时做 Gaussian 重建了。这三点叠加起来让 Gaussian Splatting 不再只是实验室里的玩具而成了通向未来三维内容生产方式的重要节点。很多人拿到这个.zip并不是冲着算法论文去的而是拿它当工具来玩拍一个咖啡杯生成一个可旋转的 3D 模型拍一间办公室导到一个虚拟场景里甚至有人拿它做人像重建。这个热度是技术成熟度带来的必然结果。3. 实操全过程从照片到 3D 场景3.1 拍摄阶段数据采集的“潜规则”3DGS 看起来是“随便拍拍就行”实际对采集是有一定要求的。它本质上依赖多视角立体视觉MVS的流程来初始化场景结构所以照片质量直接决定重建质量。我试过用手机拍一盏台灯又试过用单反拍一个 1 米见方的桌面场景经验如下相机不要大幅改变焦距固定焦距拍摄最稳变焦会严重影响 COLMAP 的匹配。环绕物体拍摄时相邻两张照片的重叠度保持在 60% 到 80%一圈至少拍 50 到 100 张。少了匹配不稳定多了纯属浪费时间。尽量避免反光表面、透明物体、纯白无纹理区域。这些地方的特征点提取不出来COLMAP 会在这里“翻车”重建结果会糊成一片。光照要均匀稳定最好选多云天气或室内灯光环境避免强烈的阴影变化。还有一个反直觉的提示不要过度使用“高画质”模式。5000 万像素的照片不会比 1200 万像素的照片多出有效信息反而会让 COLMAP 的特征提取和匹配慢不少。官方建议用 1080p 到 2K 之间我用的时候一般会压缩到 1600 像素左右。3.2 环境配置CUDA、PyTorch 与编译那点事这一步是大多数人最容易卡住的地方。requirements.txt里列了常用的依赖但真正麻烦的是编译原生的 Gaussian rasterization 内核。官方代码在 Linux 上比较顺利Windows 上也有人跑通但需要折腾 Visual Studio 和 CUDA 工具链的版本严丝合缝。我用的环境参考如下# 官方推荐配置我实测可行 Ubuntu 22.04 Python 3.9 CUDA 11.8 PyTorch 2.0.0安装流程大致是git clone https://github.com/graphdeco-inria/gaussian-splatting cd gaussian-splatting conda env create --file environment.yml conda activate gaussian_splatting环境装好只是第一步pip install之后还需要跑train.py它会自动尝试编译子模块。如果编译失败通常是因为缺少g、cuda-toolkit或者 CUDA 路径不对。这个时候看一眼报错把 CUDA_HOME 设好基本就能解决。这里有个经验别用太新的 CUDA 和 PyTorch 版本。很多人一上来就装最新版结果编译各种报错。3DGS 对 PyTorch 版本的兼容性不是很好官方测试过的版本最稳。我试过 PyTorch 2.1 和 CUDA 12.2也能跑但没有任何收益反而多花时间排错。3.3 数据转换COLMAP 是绕不开的“前置司仪”3DGS 本身不做特征匹配它需要 COLMAP 先算好相机位姿和稀疏点云。没有这一步后面的训练就是空中楼阁。官方提供了一个一键转换的脚本python convert.py -s /path/to/your/dataset这里/path/to/your/dataset下需按下面的方式放图片dataset/ ├── images/ │ ├── IMG_0001.jpg │ ├── IMG_0002.jpg │ └── ...脚本会自动调用 COLMAP 的特征提取、特征匹配、稀疏重建然后把结果转成 3DGS 需要的格式。convert.py里头还默认做了图片缩放默认是 4 倍下采样和图片完整性检查如果图太多它会提示。整个转换过程耗时取决于照片数量和分辨率一般 100 张图片 2 分钟搞定。等待的时候你其实可以盯着 COLMAP 生成的稀疏点云看如果点云里的结构能看出物体的轮廓说明匹配得不错如果点云散布成一团或几乎为空基本可以判断拍摄出了问题不要浪费时间继续训练。3.4 训练参数与调优别急着无脑默认值默认参数在大多数场景下效果不错但要出高质量结果还是得理解几个关键超参数的含义。启动训练python train.py -s /path/to/your/dataset -m /path/to/output官方默认迭代次数是 30000 轮期间会经历数次学习率衰减。核心参数包括参数名默认值作用调整建议sh_degree3球谐阶数控制视角相关的颜色变化默认即可角度变化大的场景可以保留拍静态物体可降到2densify_until_iter15000控制稠密化的最大迭代轮次过大会让模型过拟合噪点默认够用densify_grad_threshold0.0002梯度超过该值则在该位置细化高斯场景纹理丰富反而适当调高iterations30000总训练迭代次数想加快可降到 20000质量会有轻微下降场景不复杂够用position_lr_max_step30000位置学习率衰减步长跟iterations联动改迭代数也要改这里训练时间主要取决于高斯数量和数据集中图片数量。一个 30 万高斯的场景在 RTX 4090 上约 10 分钟出头在 3070 上约 20 分钟左右。如果第一次跑建议用小的数据集把流程走通再去追求精度。训练结束后输出目录里会出现point_cloud.ply这个就是可以直接用来实时渲染的 Gaussian 模型文件。可以用项目自带的实时查看器也可以导入我下面要讲的第三方工具。4. 核心环节深度解析3D 高斯是怎么迭代出来的4.1 自适应密度控制从稀疏点云到稠密细节的“点石成金”3DGS 最聪明的地方在于它不从零开始随机初始化而是用 COLMAP 的稀疏点云作为初始分布。这些点通常很稀疏一个平面可能只覆盖几个点。如果直接训练细节根本出不来。因此作者引入了自适应密度控制机制这是整个优化策略的灵魂。具体逻辑是训练过程中统计每个高斯椭球在投影上的梯度。如果一个高斯被投影到图像上时损失对它的梯度很大说明这个区域的误差大需要更多细节。这时算法会做出两种操作之一如果这个高斯比较小就在它附近克隆一个如果它已经比较大就把它分裂成两个更小的。此外每过一定轮次会把不透明度低于阈值的“隐形”高斯直接删掉把体积太大且冗余的高斯也清理掉。这样就能在细节不够的地方自动增加模型容量在无用区域自动削减计算量。另一种直观的理解方式这就像一个雕塑家先用大块的泥巴堆出粗坯然后在凹陷的地方不断补泥在多余的地方削掉。初始点云就是粗坯高斯数量从一个比较小的数字开始随着训练逐步膨胀到几十万甚至上百万。合理的密度分布是 3DGS 视觉效果真实的核心原因。4.2 球谐函数为什么转着看颜色会变场景在不同视角下颜色是有变化的比如头发丝在逆光和顺光下颜色不一样手机屏幕在某个角度会发白金属表面在不同光照下有高光和反光。3DGS 给每个高斯椭球存储了一种叫“球谐函数”的系数用这些系数来近似表达“颜色随视角变化”的关系。球谐函数可以理解为一组“光照基函数”类似于傅里叶级数可以用不同频率的波形组合出任意周期信号球谐函数可以用一组定义在球面上的基函数去逼近任意定义在球面上的函数。在这里这个函数就是颜色关于视角方向的映射。sh_degree3意味着每个颜色通道用 16 个球谐系数去拟合信息量已经足够表达绝大多数场景。这个设计的巧妙之处在于它不像 NeRF 那样需要一个 MLP 去“计算”视角相关的颜色而是直接把系数存到每个高斯里。渲染的时候根据当前视角方向算一个多项式求值计算量非常小。这种“用存储换速度”的策略是 3DGS 高性能的一个关键。4.3 快速栅格化渲染透明椭圆的“画家算法”3DGS 的实时渲染核心是论文里那套专门写的 CUDA 栅格化 kernel。渲染时所有高斯椭球被按深度排序然后一个接一个地往前投影。这和传统图形学里的画家算法很像先画远处的物体再用近处的物体覆盖。但是高斯椭球是半透明的不能简单覆盖需要做 alpha blending也就是每个像素按照顺序累加每个高斯的颜色和不透明度。排序这一步绝不能省因为半透明渲染对顺序极其敏感。GPU 上高效的并行排序、每个高斯对像素的贡献范围裁剪是这套 CUDA 代码的核心优化。3DGS 渲染速度能达到 100 FPS就是因为这些操作都是传统图形学的拿手好戏而且能直接在 GPU 上并行处理。这也解释了为什么 3DGS 可以直接用到游戏引擎或实时交互工具里它的渲染流程和三角形光栅化太像了。业内也有人实现在 Web 端通过 WASM 和 WebGPU 加载 Gaussian Splat 模型做交互展示效果都很惊艳。5. 常见问题与排查技巧实录5.1 问题速查表这一部分我直接整理成表格都是我在调试过程中真正踩过的坑以及在社区里见到频率最高的问题问题现象可能原因解决思路COLMAP 重建结果为空或点云极稀疏图片重叠度不足纹理过少焦距变动重新拍摄保证相邻图重叠 60% 以上加入更多特征点明显的物体训练 loss 不下降或训练崩溃学习率设置不合适显存溢出数据格式错误看训练日志是否出现 NaN减小图像分辨率检查 COLMAP 结果输出的渲染图像出现大量黑色“雾状”区域高斯不透明度太低场景覆盖不全没拍到的地方增加拍摄角度把未覆盖区域尽量从场景中裁掉稍微增大初始化点云数量训练过程显存不足OOM图像分辨率过大高斯数量爆炸batch 太大降低-r缩放到convert.py里的分辨率减少图片数量减小 sh_degree运行render.py输出黑屏或彩色噪点相机参数错误模型文件损坏重新检查输出目录里的相机参数确认是用同一个数据集训练出来的模型编译 CUDA 扩展时报nvcc not found没装 CUDA Toolkit 或路径不对export CUDA_HOME/usr/local/cuda-11.8后重新pip install submodules或重启终端5.2 最容易被忽略的渲染异常相机对齐与场景裁剪其中最容易出差错的是姿态估算错误导致的“背景正确、前景模糊”这类问题。COLMAP 在稀疏重建时如果相机位姿估算有误差3DGS 会尝试用一堆半透明高斯去“强行弥合”这个误差结果就是你看到一个整体轮廓正确但细节全是糊的场景。如果你遇到这种问题优先怀疑 COLMAP 结果而不是训练参数。一个很实用的排查方法训练完成后打开输出目录里的train日志里保存的每隔 1000 步渲染出来的验证图。如果验证图在刚开始几百步时连大概的轮廓都看不出那不是训练参数问题是输入数据问题。如果轮廓清晰但细节毛糙那才是参数调优问题。这套从粗到精的定位法能帮你少走很多弯路。还有一个容易踩的坑是场景背景比例过大。3DGS 会对整个视野范围负责如果你拍的物体只占画面中央很小一块模型会把大量高斯分配给背景物体本身的细节反而出不来。解决方法是拍摄时让物体在画面中占更高比例或者训练前用 Mask 把背景裁掉只保留前景区域让高斯高密度地集中在目标物体上。5.3 避坑技巧数据质量是上限算法只是逼近上限我在多个项目里反复得到同一个结论3DGS 的性能虽然炸裂但它的上限还是被输入数据钉死的。就是说算法再强也不能从没有信息的地方编出信息来。你在拍摄时多花十分钟换角度、补光照比训练时调三天参数都管用。给新手的几个实操心得拍摄时保持手机/相机在同一个高度和距离范围半径 0.5 米的环形移动效果最佳。尽量不要带运动模糊的照片进数据集COLMAP 看到模糊图就头疼。如果条件允许同一圈拍两遍一遍顺时针一遍逆时针既能提高重建鲁棒性又能在后期出问题时多一份备用数据。训练前可以用python convert.py生成的数据检查一遍相机位置分布COLMAP 的输出目测是否均匀环绕物体如果是杂乱无章的分布果断重拍。6. 工具链延伸训练完之后还能做什么6.1 实时查看器与渲染器训练完成后项目自带一个基于 SIBRSimple Interactive Browser for Radiance Fields的实时查看器在 Windows 或 Linux 上都能编译。启动命令大致是./bin/SIBR_viewers/.../SIBR_gaussianViewer_app -m /path/to/output打开之后你会看到一个实时 3D 场景可以像玩游戏一样绕着走。这种流畅交互的体验是 3DGS 相比 NeRF 最直观的优势。如果你不想编译也有一堆第三方 Web 查看器可以直接拖入.ply文件比如 SuperSplat 这个基于 Web 的编辑器支持查看、修改甚至删除单个高斯我把拍摄的咖啡杯导入进去实时编辑效果相当顺手。6.2 模型编辑、动画化与其他扩展3DGS 的热度不仅在于重建本身更在于它打开了后续加工的大门。因为是显式表示你可以直接把高斯当作点云处理用几何算法做裁剪、平移、旋转可以把不同场景拼接起来也可以把某个高斯的某些属性从时间轴上官联起来做动态场景还有团队做“从文字提示直接编辑 3DGS 场景”比如把重建好的办公室里的椅子用文字换成沙发。这些扩展项目在 GitHub 上基本都是基于官方这份代码二次开发的所以先把官方.zip里的代码吃透再去看别的仓库会觉得顺手很多。这也是为什么我建议不要光跑一个 demo 就完事认真读读train.py的训练循环理解每个高斯参数的含义之后玩各种扩展项目都能举一反三。6.3 移动端与实时应用场景的想象空间手机厂商和高德地图、谷歌地图这类公司对 3DGS 的落地兴趣非常大。因为传统的高精地图重建需要采集车 LiDAR 大量后处理成本极高。而 3DGS 只需要普通 RGB 相机就能做出视觉上相当真实的场景且渲染速度能达到实时。虽然几何精度还比不上 LiDAR 级别的重建但视觉真实感已经足够用于导航、室内漫游、线上展厅等场景。我自己测试过把一个 10 平方米的室内房间重建出 3DGS然后在手机浏览器上加载帧率能到 30 FPS 左右体量也只有 200 多 MB。如果把点云抽稀、SH 降到 2 阶能压到 100 MB 以内帧率还能翻倍。这意味着在移动设备上做轻量级 3D 内容展示是完全可行的这也是它引发工业界关注的核心原因之一。还有不少团队在做“3DGS 大模型”的结合。比如文本生成 3DGS、单张图片生成 3DGS、用扩散模型对 3DGS 做风格迁移。可以说这份.zip只是起点围绕它的生态还在快速膨胀。7. 一点个人经验和扩展思路最后说点我自己的体会。我第一次跑通 3DGS 的时候其实没有立刻理解它为什么能这么强后来花时间回去补了论文里的数学推导和 CUDA 实现才真正开始对它得心应手。这里真心建议各位不要只当它是一个“黑盒工具”可以试着改一下gaussian_renderer里的渲染代码把中间结果可视化出来观察高斯椭球在场景里的分布那种“原来每一颗高斯都是场景里的一块小拼图”的理解是自己瞎调参数换不来的。如果你打算扩展这个项目方向上有三个我个人觉得很值得尝试的方向一是动态场景和 4D 重建目前社区里已有相关代码和数据集把时间轴加入高斯的参数二是结合大语言模型做场景理解与编辑让模型既能输出场景也能“听懂”用户指令去改场景三是把整个流程搬到浏览器端做纯 Web 的采集到重建一体工具。动手是最好的学习方式。找一样你不心疼的小物件用手机围着拍上一圈按这篇文章里的步骤走一遍就能体会到从几十张照片到活生生的 3D 场景在屏幕上转动起来的奇妙感。本文还有配套的精品资源点击获取