---
title: "3D高斯分佈溅射（3D Gaussian Splatting）"
slug: 3d-gaussian-splatting
language: zh-TW
source: https://aiterms.tw/terms/3d-gaussian-splatting
updated_at: 2026-06-22
tags: [電腦視覺, 深度學習, 神經網路, 3D視覺]
ipas_term: false
---

# 3D高斯分佈溅射（3D Gaussian Splatting）

用3D高斯分佈代表場景幾何，通過可微分光柵化實現高速3D重建和新視角合成。

## 完整說明

3D高斯分佈溅射（3DGS）是2023年提出的新型3D場景表達方法，以NeRF為對標。它用3D高斯分佈（每個高斯有位置、協方差和顏色）代表場景，無需逐光線採樣，而是直接光柵化高斯到影像平面，大幅加速。3DGS結合了點雲的幾何直觀性和NeRF的隱式表達優勢，訓練快、推理快、易編輯，已成為實時3D重建的新方向。應用包括即時新視角合成、實時虛擬攝影機、互動式3D編輯。

## 常見問題

### 為什麼3DGS比NeRF快這麼多？

速度差異來自根本不同的渲染策略。NeRF逐光線採樣，每條光線在空間中採樣64-128個點，每點調用MLP計算顏色和密度。800×600影像=48萬光線，每次迭代需數千萬次MLP調用。3DGS則直接光柵化高斯到影像平面，每個高斯投影為2D高斯，逐像素融合（幾何計算）。沒有MLP調用，完全是乘法和加法運算，GPU並行效率極高。訓練上，3DGS從現有點雲初始化，快速収斂；NeRF從零開始，收斂慢。推理上，3DGS可用光柵化管線的成熟最佳化，3DGS專門設計支持實時性。

### 3DGS的高斯協方差如何計算？

高斯協方差是關鍵參數，決定高斯在空間中的形狀。初始化時通常設為球形（單位協方差）。優化中通過參數化學習。由於協方差矩陣需正定（凸性），通常不直接優化矩陣，而是優化其Cholesky分解或特徵分解。一個常用參數化是3個尺度向量（sx, sy, sz）和3個旋轉角（四元數），協方差 = R * diag(sx, sy, sz)^2 * R^T，其中R是旋轉矩陣。優化中梯度反向傳播到尺度和旋轉參數。自適應控制會移除不必要的小高斯（尺度接近零）或分割大高斯（覆蓋不均勻區域）。

### 3DGS如何處理視角相關的反射（視差反射）？

靜態高斯無法表達視角相關的顏色變化（如鏡面反射）。例如金屬表面的反光隨視角變化。改進方向包括：1) 高斯球諧函數（SH）：每個高斯的顏色不再是常數，而是球諧函數（類似NeRF的視角相關顏色），支援高頻反射；2) 多層高斯：使用多個高斯層，學習視角相關的不透明度混合；3) 隱式邊界函數：結合隱式SDF，更精確表達邊界。當前最實用的是球諧函數方法，只增加少量參數（3阶SH = 16個係數/高斯），保持速度優勢，表達能力接近NeRF。

---

來源：https://aiterms.tw/terms/3d-gaussian-splatting
快查頁：https://aiterms.tw/terms/3d-gaussian-splatting
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-3d-gaussian-splatting