三維高斯潑濺

三維高斯潑濺（3D Gaussian splatting）把場景表示成的不是一個網路或網格，而是一大群模糊的三維團塊——數百萬個微小、半透明、有顏色的橢球漂浮在空間中，每個都是一個三維高斯。點雲中的點無限小，而這些團塊有大小、形狀、朝向、透明度與視角相依的顏色，所以擠在一起就形成連續的表面與柔和的體積。由 Kerbl 等人於 2023 年提出，它在達到 NeRF 的照片級擬真之餘，能即時渲染、訓練也快得多，並迅速成為新視角合成的主流表示法。

每個高斯由幾個全部都是學習而來的參數描述：一個三維中心（團塊所在之處）、一個被分解為尺度與旋轉的共變異數矩陣（橢球的大小與朝向，因此能被壓扁貼合在表面上）、一個不透明度（它有多透），以及一個隨觀看角度而變的顏色，以球諧函數係數儲存，使它能捕捉光澤與反射。場景不過是所有這些基元的總和——一個顯式、可編輯、可檢視的表示法，與 NeRF 那不透明的 MLP 權重恰成對比。

名字的由來在於渲染。它不像 NeRF 那昂貴的做法——行進一條射線並在許多取樣點查詢網路——而是把每個三維高斯投影（潑濺，splat）到影像平面上，在那裡成為一個二維高斯足跡。所有與某像素重疊的潑濺依深度排序，並由前到後做 alpha 混合，正是體積渲染那條可微分的體積合成規則，但改以快速的 GPU 光柵化求值，而非射線行進。正是這種光柵化的潑濺，才在高解析度下帶來即時的影格率（常遠超過每秒 100 影格）。

訓練呼應了 NeRF 的構想，但作用在顯式的基元上。從運動回復結構已產生的稀疏點雲出發，系統渲染當前的高斯、與真實照片比較，並把影像誤差反向傳播以更新每個高斯的參數。一個巧妙的自適應密度控制步驟，會定期在缺乏細節之處複製並分裂高斯，並修剪掉太透明或冗餘的高斯，使數量在場景需要之處增長。相對於 NeRF 的取捨是：更快的訓練、即時渲染與容易編輯，代價是較大的儲存（數百萬個基元），以及在基礎方法中，極端視角或光照變化下的一些瑕疵——這些正被抗鋸齒、正規化與動態場景的變體積極處理中。