3DGS
3DGS 以具各向異性共變異的三維高斯基元表示場景，並以可微分的分塊光柵化（tile-based rasterization）直接由影像誤差最佳化其位置、形狀、不透明度與球諧顏色。初始化依賴 SfM 相機與稀疏點雲。其目標是即時新視角渲染，而非量測等級的表面幾何。
本頁內容
Optimizes explicit anisotropic 3D Gaussians initialized from SfM points with a fast differentiable rasterizer for real-time novel-view synthesis.
技術屬性
欄位內容為文獻擷取紀錄的原文用語（英文），以原文為據；「未查證」表示本研究尚未讀到該資訊，不代表該方法不具備此能力。
| 感測輸入 | monocular camera (multi-view images) |
|---|---|
| 原文測試平台 | 未記錄 |
| 狀態估計 | 不適用 (gradient-based optimization of Gaussian parameters with adaptive density control; cameras from SfM) |
| 資料關聯 | direct photometric loss via differentiable tile-based rasterization |
| 時間表示 | 不適用 |
| 去畸變 | 不適用 |
| 迴圈閉合 | none |
| 全域最佳化 | none |
| 地圖表示 | explicit anisotropic 3D Gaussians (position, covariance, opacity, spherical-harmonic colour) |
| 先驗資訊 | SfM-calibrated cameras (SfM of Schönberger and Frahm 2016; the paper does not name the software) and the SfM sparse point cloud for initialization; random initialization is used for synthetic Blender scenes and degrades real scenes mainly in the background |
| 可輸出幾何 | rendered images and a set of 1 to 5 million anisotropic Gaussians; no surface or mesh extraction; the authors list mesh reconstruction from the Gaussians as future work |
| 計算需求 | PyTorch with custom CUDA rasterization kernels (NVIDIA CUB radix sort); all reported results on an A6000 GPU (Mip-NeRF360 baseline trained on a 4-GPU A100 node); real-time rendering of at least 30 fps at 1080p, 134 to 154 FPS at 30K iterations on the three real datasets; training 26m54s to 41m33s at 30K iterations; peak training memory can exceed 20 GB on large scenes |
使用設備
原文使用的感測器、運算硬體與載具（equipment）。型號保留原文寫法，連結到設備頁中同一型號的歸併名稱；角色依原文用途分為方法輸入、資料集感測器、執行運算平台、參考或真值量測（reference or ground truth）與比較對象設備。
| 類別 | 型號（原文寫法） | 角色 | 資料集 | 原文規格 | 出處 |
|---|---|---|---|---|---|
| 運算硬體 | A6000 GPU (as written)歸入：A6000 GPU | 執行運算平台 | 未標示 | used for all reported results except the Mip-NeRF360 baseline | (Kerbl et al., 2023, Sec. 7.2) |
| 運算硬體 | 4-GPU A100 node (as written)歸入：4-GPU A100 node | 執行運算平台 | 未標示 | used to train the Mip-NeRF360 baseline for 12 h | (Kerbl et al., 2023, Sec. 7.2, footnote 2) |
論文圖片
只收錄原文以開放授權（open license）釋出的圖片，並依授權條件標示出處、圖號、授權與修改方式。
Fig. 13DGS 即時渲染品質與訓練時間，與 Mip-NeRF360、InstantNGP、Plenoxels 比較
出處：Kerbl et al., 2023，Fig. 1。授權：CC BY 4.0 (arXiv v1)。原始圖檔。修改：轉存為 WebP 格式。
Fig. 2方法總覽：由 SfM 稀疏點建立三維高斯，最佳化並自適應控制密度，再以分塊光柵化渲染
出處：Kerbl et al., 2023，Fig. 2。授權：CC BY 4.0 (arXiv v1)。原始圖檔。修改：轉存為 WebP 格式。
Fig. 3將最佳化後的三維高斯縮小 60% 以顯示其各向異性形狀
出處：Kerbl et al., 2023，Fig. 3。授權：CC BY 4.0 (arXiv v1)。原始圖檔。修改：轉存為 WebP 格式。
Fig. 4自適應密度控制：重建不足時複製高斯，過度重建時分裂高斯
出處：Kerbl et al., 2023，Fig. 4。授權：CC BY 4.0 (arXiv v1)。原始圖檔。修改：轉存為 WebP 格式。
作者報告的優勢與限制
優勢
- Real-time radiance-field rendering with high visual quality (abstract)
- On Mip-NeRF360, PSNR 27.21 at 30K iterations vs 27.69 reported for Mip-NeRF360, with 41 min vs 48 h training and 134 FPS vs 0.06 FPS (Table 1)
- At 7K iterations quality is comparable to InstantNGP and Plenoxels with similar training time (Sec. 7.2, Table 1)
限制
- Artifacts in poorly observed regions; elongated or 'splotchy' Gaussians; popping artifacts (Sec. 7.4)
- No regularization applied to the optimization (Sec. 7.4)
- Follow-up work states 3DGS fails to accurately represent surfaces because 3D Gaussians are multi-view inconsistent (（Huang et al., 2024a） abstract)
- Memory consumption is significantly higher than NeRF-based solutions: peak training memory can exceed 20 GB on large scenes and stored models reach hundreds of MB (Sec. 7.4, Table 1)
- Very large scenes such as urban datasets may need a reduced position learning rate (Sec. 7.4)
- Views with little overlap with training views show artifacts (Fig. 12)
營建工程相關證據
原論文未涉及營建；AEC 中 3DGS 與 LiDAR 的比較見（Yu et al., 2025）。
原文驗證環境：公開基準
報告的性能數據
以下是原文作者報告的性能數值（author-reported results），不是本研究重新量測的結果。每張圖只並列同一個比較組（comparison group，同一張表、同一組實驗設定）內的方法；不同比較組之間的數值不可直接比較，也不構成排名。
本方法共出現在 12 個比較組，合計 130 筆紀錄。以下列出本方法紀錄最多的 4 組，其餘 8 組列在最後，並連到性能比較頁。
Kerbl et al., 2023 · Table 1 本方法 36 筆
表格設定（擷取紀錄原文）：Novel-view synthesis on held-out views (every 8th photo), average per dataset, with training time, rendering FPS and model memory; all on an A6000 GPU except Mip-NeRF360 (trained on a 4-GPU A100 node for 12 h, stated as 48 h single-GPU equivalent); dagger values copied from the Mip-NeRF360 paper (Kerbl et al., 2023, Table 1)
SSIM，Tanks&Temples · dataset average
只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 Kerbl et al., 2023 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。
資料來源作者報告值(Kerbl et al., 2023, Table 1)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| Plenoxels | 0.719 | (Kerbl et al., 2023, Table 1) |
| INGP-Base | 0.723 | (Kerbl et al., 2023, Table 1) |
| INGP-Big | 0.745 | (Kerbl et al., 2023, Table 1) |
| M-NeRF360 | 0.759 | (Kerbl et al., 2023, Table 1) |
| Ours-7K本方法原文提出 | 0.767 | (Kerbl et al., 2023, Table 1) |
| Ours-30K本方法原文提出 | 0.841 | (Kerbl et al., 2023, Table 1) |
Hong et al., 2024 · Table III 本方法 18 筆
表格設定（擷取紀錄原文）：Ablation of map structure optimization: Case I = 3D-GS baseline; Case II = LiDAR-initialized Gaussians without visual structure optimization; Case III = Case II plus photometric position optimization; Case IV = full method with Gaussian pose refinement; SSIM and LPIPS rows of this table omitted here; Cases II and III are ablation variants (method_id null) (Hong et al., 2024, Table III)
PSNR [dB] (Interpolated)，FAST-LIVO dataset · HKU_MB(outdoor)
只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 Hong et al., 2024 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。
資料來源作者報告值(Hong et al., 2024, Table III)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| Case I (3D-GS baseline)本方法 | 24.39 dB | (Hong et al., 2024, Table III) |
| Case II (LiDAR initialization only) | 24.341 dB | (Hong et al., 2024, Table III) |
| Case III (+ photometric position optimization) | 24.24 dB | (Hong et al., 2024, Table III) |
| Case IV (full method)原文提出 | 25.14 dB | (Hong et al., 2024, Table III) |
Huang et al., 2024a · Table 1 本方法 17 筆
表格設定（擷取紀錄原文）：Chamfer distance per DTU scan (15 scans) and mean; meshes of 3DGS and 2DGS by TSDF fusion of rendered depth; unit not stated in the paper; images downsampled to 800 x 600; COLMAP sparse points for initialization (Huang et al., 2024a, Table 1)
Chamfer distance (CD)，DTU · scan 24
只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 Huang et al., 2024a 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。
資料來源作者報告值(Huang et al., 2024a, Table 1)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| NeRF (Mildenhall et al., 2021) | 1.9 | (Huang et al., 2024a, Table 1) |
| VolSDF (Yariv et al., 2021) | 1.14 | (Huang et al., 2024a, Table 1) |
| NeuS (Wang et al., 2021) | 1 | (Huang et al., 2024a, Table 1) |
| 3DGS (Kerbl et al., 2023)本方法 | 2.14 | (Huang et al., 2024a, Table 1) |
| SuGaR (Guédon and Lepetit, 2023) | 1.47 | (Huang et al., 2024a, Table 1) |
| 2DGS-15k (Ours)原文提出 | 0.48 | (Huang et al., 2024a, Table 1) |
| 2DGS-30k (Ours)原文提出 | 0.48 | (Huang et al., 2024a, Table 1) |
Hong et al., 2024 · Table II 本方法 16 筆
資料集與序列not stated (real-world dataset) · not stated
表格設定（擷取紀錄原文）：Novel-view synthesis on interpolated and extrapolated views on a real-world dataset (dataset and sequence not named for this table); asterisk methods were enhanced with dense LiDAR point clouds; cost time and FPS on the authors' desktop (Hong et al., 2024, Table II)
PSNR (Interpolate)，not stated (real-world dataset) · not stated
只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 Hong et al., 2024 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。
資料來源作者報告值(Hong et al., 2024, Table II)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| Point-NeRF* [2] | 27.331 dB | (Hong et al., 2024, Table II) |
| DS-NeRF* [24] | 27.178 dB | (Hong et al., 2024, Table II) |
| 3D-GS* [1]本方法 | 31.9 dB | (Hong et al., 2024, Table II) |
| Plenoxel [18] | 26.744 dB | (Hong et al., 2024, Table II) |
| M-NeRF360 [16] | 28.446 dB | (Hong et al., 2024, Table II) |
| F2-NeRF [25] | 32.556 dB | (Hong et al., 2024, Table II) |
| 3D-GS [1]本方法 | 31.899 dB | (Hong et al., 2024, Table II) |
| Our method原文提出 | 32.787 dB | (Hong et al., 2024, Table II) |
其他比較組
來源
Kerbl et al., 2023
（2023）3D Gaussian Splatting for Real-Time Radiance Field RenderingACM Transactions on Graphics, 42(4), 1-14
DOI 10.1145/3592433arXiv 2308.04079程式碼
同儕審查已出版已讀全文近十年查證後修正
相關版本
- 預印本：arXiv:2308.04079 (posted after the TOG online date) https://arxiv.org/abs/2308.04079
程式碼：https://github.com/graphdeco-inria/gaussian-splatting（授權：Gaussian-Splatting License (custom Inria/MPII licence: research use, non-commercial only; commercial use prohibited without licensor consent; LICENSE.md read)）。有公開程式碼不等於已被重現，也不代表目前版本與論文版本相同。