117篇 | 3D Gaussian Splatting论文

本论文集划分为4个部分：综述&基础（14篇）、NeRF在AIGC（54篇）、NeRF在SLAM（自动驾驶）（25篇）、NeRF之场景建模（25篇）

https://t.zsxq.com/3ATyEhttps://t.zsxq.com/3ATyE

3D Gaussian Splatting（3DGS）是一种用于实时辐射场渲染的光栅化技术，它通过对3D高斯分布的描述，实现了实时渲染从小图像样本中学习到的逼真场景。该技术的核心是光栅化，即将3D高斯分布以像素的形式展现在2D平面上。以下是关于3DGS的详细介绍：

3D GS的实现原理分为以下几个步骤：

1. 运动结构恢复（SfM）：通过一组图像估计点云，这是从2D图像估计3D点云的一种方法，可以通过COLMAP库实现。

2. 转换为高斯分布：将每个点转换为高斯分布，这对于光栅化已经足够。然而，仅从SfM数据中只能推断出位置和颜色，为了学习产生高质量结果的表示，需要对其进行训练。

3. 模型训练：训练过程使用随机梯度下降，类似于神经网络，但没有层。训练步骤包括：根据光栅化图像和地面真实图像之间的差异计算损失。

4. 可微分高斯光栅化：光栅化器是可微分的，因此可以用随机梯度下降进行训练。然而，这仅与训练相关 - 训练有素的高斯也可以用不可微的方法呈现。

3DGS受到广泛关注的原因主要有以下几点：

1. 高质量的实时场景渲染：通过3DGS技术，可以实现实时渲染从小图像样本中学习到的逼真场景。

2. 技术未知领域的探索：关于Gaussian Splatting还能做什么还有很多未知数，例如是否可以模拟反射等。

3. 对嵌入式人工智能研究的兴趣：人们越来越关注如何将人工智能技术应用于3D空间表示等领域。