今天是2026年8月7号天气晴朗同学都出去玩了我在家里看论文。我用AI生成了一个完整的论文阅读计划。其实读论文是有技巧的这个技巧可以大体分两个层次初始是阅读语段的技巧进而是阅读论文的技巧我们做过大量英语阅读理解的中国学生都知道要快速看完一篇文章当前核心目的是把题目作对那么你肯定不能一个词一个词的看大体上看完一两段几句话然后心里就有数了。阅读论文也是类似的道理首先要有一个心理预期你期望从这一篇论文或者这一组论文中收获什么对于我的话我希望能够基于现有论文中真实的科学研究记录辅助我做软件横向提升软件中展示的模型质量。如果说你仅仅是需要一个处理问题的方法AI可以提供给你一大堆但是不保证有用至少在我当前的软件中是基本上没有作用的所以我需要自己来细化这个思考过程从现有论文的研究框架及创新中过一遍自己的思路。然后就开始第一轮阅读高斯泼溅对我来说是一个陌生的领域之前是赶鸭子上架完善了一个简陋的软件跟现有的软件及平台没法比真的简陋软件唯一的优点就是简陋我们可以根据自身的认识和技术水平做自由的开发完善因为根本没有一个成熟的框架限制。。。既然学习3DGS不免要接触其前辈--NeRF神经辐射场。我们可以把NeRF看作一个“用AI生成3D照片”的黑盒。在NeRF中MLP充当“3D空间的记忆体”。它不存储图片而是把整个3D场景的几何形状和颜色全部编码进网络几亿个神经元的权重参数里。MLP本身查询就慢毫秒级/次再乘以“体积光线行进”带来的亿级查询次数就造成了训练时间以天计渲染时间以分钟计的现状。这种高成本直接限制了NeRF的应用场景。那3DGS究竟是怎么回事3D 高斯场景表示初始化利用运动恢复结构SfM生成的稀疏点云初始化 3D 高斯集合无需多视图立体MVS数据。各向异性协方差每个高斯由位置均值、不透明度 αα 、各向异性协方差矩阵 ΣΣ 和球谐函数SH系数定义。协方差矩阵通过缩放向量 ss 和旋转四元数 qq 进行优化以适应场景几何形状。体积表示3D 高斯是一种可微分的体积表示通过投影到 2D 进行光栅化使用标准的 αα -blending 合成图像。原始3DGS为了追求极致的渲染速度在投影渲染时采用了一个“2D膨胀Dilation”的近似操作。这个操作在训练视角下表现良好但当相机拉远或拉近时问题就暴露了拉近放大看这个固定的膨胀量相对变小导致高斯点之间出现缝隙渲染出的画面就会有空洞和噪点。拉远缩小看这个固定的膨胀量相对变大导致细节过度膨胀看起来模糊、臃肿像涂了一层不均匀的奶油。有一篇论文的工作就是专门解决这个问题然而3DGS模型最终呈现的效果与很多因素有关所以实际上就是使用了其方法滤波器也无法保证最终结果。