0 论文链接
nerf：https://arxiv.org/abs/2003.08934
3dgs：https://repo-sam.inria.fr/fungraph/3d-gaussian-splatting/3d_gaussian_splatting_low.pdf
1 简要
1.1 nerf
neural radiance fields神经辐射场
作者提出了一种优化来自一组输入图像的场景的连续5D神经辐射场表示（空间位置 x y z和视图方向 d θ）的方法。作者使用体绘制的技术来积累这个场景表示沿着射线的样本，以从任何视点渲染场景。作者可视化了在周围半球上随机捕获的合成 鼓场景 的100个输入视图的集合，最后作者显示了从优化的NeRF表示渲染的两个新视图。
1.2 3dgs
3d guassian splatting三维高斯喷溅
核心是构建以协方差为主导的3d高斯点云，然后围绕3d高斯点云进行渲染和优化。
从已有的点云模型出发，以每个点为中心，建立可学习的3d高斯表达，用相机参数把点投影到图像平面上，splatting即抛雪球的方法进行渲染，在splatting的痕迹中进行tile based的光栅化得到渲染图像，将渲染图像和GT图像求损失loss，沿蓝色箭头反向传播，自适应的密度控制模块根据传递到点上的梯度来决定是否需要对3d高斯做分割或者克隆，梯度也会传递到3d高斯里面，来更新其中存储的位置、协方差矩阵、球谐函数、不透明度这些参数。
实现了高分辨率的实时渲染
2 隐式几何与显式几何
nerf是神经隐式辐射场
而3d高斯是可微分的，可以实现快速α混合渲染
3dgs的显式几何，和nerf方法的隐式几何，是非常重要的区别
3 采样与渲染
从采样点颜色贡献度的角度进行nerf系的方法区分，可以分为体积类方法和表明类方法
2020年原版nerf属于体积类表达，输入5d信息（x y z d θ）输出颜色和体密度，采样点返回密度值反映了这里是否存在几何占用。
另一种热门的是表面类表达，输入采样点，sdf（signed distance function，符号距离函数）
输出空间中距离这个点最近的表明的距离。正值表示表面外，负值表示表面内，表面可以用所有的sdf=0的采样点的集合来表达，借助神经网络实现的sdf即神经sdf
体积类方法通过几何密度决定采样点颜色贡献度，表面类方法则判定越靠近表面的采样点颜色贡献度越高.
隐式的采样，投出射线，累积颜色不透明度来做渲染
3dgs的引言部分这样提到：nerf方式的渲染所需要的随机采样成本高，并且可能会导致噪声。
而3d高斯有个特性，其轴向积分等同2d高斯，从数学层面降低了采样的成本，我们并不需要花费高昂的成本做采样了，用数学的方式就可以轻松地把3dgs转化成一个2dgs。
直接把球抛掷在墙上，在墙上留下的斑点，就是3dgs splatting 投掷的结果，完成了采样的渲染
4 光栅化
传统的nerf方法并不能做光栅化，而3dgs可以进行光栅化，对速度的提升是至关重要的
5 可微性
nerf全链路可微
3dgs也具有可微分的特性