- 综合排序
- 最热优先
- 最新优先
3DGS智能巡检系统，开启工业智慧运维新范式
针对工业实景运维的各类刚需与痛点，依托多年三维空间智能、视频孪生技术沉淀，重磅推出基于3DGS（3D Gaussian Splatting）的智能巡检系统。 3DGS高精度重建：打造智能化数字孪生底座传统三维网格模型普遍存在建模精度差、画面渲染卡顿、场景细节缺失等缺陷，难以适配高精度工业巡检需求。 智汇云舟3DGS智能巡检系统依托前沿3D高斯泼溅技术，可快速完成工业全场景高保真实景重建。 机器人自主作业：全流程无人化智能巡检闭环依托3DGS实景数字底座与大模型超强环境认知能力，系统支持云端一键下发巡检任务，全程无需人工到场值守。 云舟3DGS智能巡检系统，打造了3DGS实景建模+AI语义解析+大模型场景认知+机器人自主作业的全链条智能巡检体系。
14900编辑于 2026-07-02- 来自专栏宜达数字
CAD转模型方法CAD转模型方法
主要内容：3dGS，MVO，GUI，Stream还有Modeling Kernel Bridge。 3dGS是HOOPS最为核心的模块，其负责HOOPS的绘图及数据管理任务。 3dGS使用纯C语言编写，HOOPS优秀的跨平台以及跨开发工具的特性也正是基于3dGS这一模块 原文链接：https://blog.csdn.net/lihaidong1991/article/details
1.9K10编辑于 2021-12-07 单图生成 3DGS 实战分享：Mugen3D API 接入与同输入图生3D 观察以及交互3D展示
3DGS 正在从论文进到引擎和内容工具里，游戏项目的默认格式仍是网格。我们十一前按这个方向上了 Worlds，里面是可走进的 3DGS 环境，资料片在 §2.3。 2.1 正在做的：生成式全身 3DGS，语音驱动口型和动作我们在做的是生成出来的全身 3DGS 数字人，不是半身，也不是只有头。口型和身体动作都听语音。 下面这条是别人的教程，不是我们的交付承诺： B 站：3DGS 模型绑骨相关实践（BV1DXYX6pEhZ）2.2 3DGS 能不能进游戏管线？很多人觉得 3DGS 不实用，进不了游戏管线。 3DGS 和 mesh 渲染时的格式不同，一个是高斯，一个是三角网格。预览、摆进场景、做互动，两边都能做。AI 生成的 mesh 能进游戏管线，3DGS 也能。 碰撞、绑定、打印还是网格更顺手，但新的可预览场景，会越来越多先以 3DGS 进来。3DGS 是这个方向上的趋势。
15831编辑于 2026-10-10- 来自专栏我爱计算机视觉
北京大学 | 三维高斯溅射隐写术
3DGS训练者（Alice）需要原始场景与待隐藏场景的训练视图来训练我们的GS-Hider，这包括一个3DGS点云文件、场景解码器和信息解码器。 之后，Alice会将3DGS点云文件和场景解码器上传至网络。3DGS用户（Bob）能够渲染查看原始三维场景，但只有用于信息提取器的训练者有权提取隐藏的三维场景，以此实现版权保护或秘密通信。 因此，一个直观的想法是，我们能否设计一种针对3DGS的隐写术方法，用以保护三维场景的版权与隐私呢？ 与神经辐射场（NeRF）不同，3DGS具有两大显著特点： 显式的三维表示； 实时的渲染速度。 因此，我们的任务设定是在拟合原始三维场景获得容器3DGS的过程中隐藏信息，随后从该容器3DGS中提取嵌入的信息。 版权保护：在3DGS的固定视角中隐藏图像。通过预先添加的版权图像与解码后的图像对比，验证3DGS的所有权。 图2：所提GS-Hider的总体框架概述。
77410编辑于 2024-06-17 从视频孪生到空间语义——关于“看见”与“懂得”的技术哲学
万物皆可“微”：3DGS的语义觉醒视空映射技术其实是智汇云舟长期以来一直在沉淀的技术，但直到今天，它的价值才被真正放大，这要归功于3D高斯泼溅（3DGS）的出现。 当视空映射遇见3DGS，魔法才真正开始。 3DGS是由N个高斯椭球构成的，每个高斯椭球都携带（位置、形状、颜色、不透明度）参数，这种数据结构堪称神来之笔，它同时完美支持了“视频属性”和“孪生属性”，可以说是为视频孪生量身定做的3D数据结构。 不同于传统手工建模用的三角网格，3DGS的最小单元不是一个“面”，而是一个“点”。数学上，这意味着3DGS是连续可微分的。这种特性加上视空映射技术，让3DGS的自动语义化成为可能。 如果说传统的基于MESH网格的模型是“给人看”的，那么3DGS可以说是第一个“为AI看懂”而生的模型格式。智汇云舟正在对3DGS进行格式扩展，使其具备丰富的语义信息。
26010编辑于 2026-02-28- 来自专栏点云PCL
NeRFs和3D高斯溅射技术如何重塑SLAM：综述
2024年的外圈预示着一个预期的激增，突显了对NeRF和3DGS启发的SLAM日益增长的兴趣。 主要贡献 1. 首次对SLAM的发展进行了广泛的综述，特别关注了受NeRF和3DGS启发的方法。 NeRFs和3DGS不仅能够处理噪声和遮挡，还能生成高分辨率的3D网格，显著提升了SLAM系统的性能。 图3：NeRF和3DGS在概念上有所不同。 3DGS通过在3D空间中使用高斯分布表示点云，实现了更高效的地图构建和更新。3DGS不仅减少了内存需求，还改进了噪声处理和遮挡处理，使得SLAM系统在动态和复杂环境中表现更加稳定。 有前景的技术包括基于3D高斯散射（3D Gaussian Splatting，3DGS）范式的显式表示。基于3DGS的显式表示在实现最先进的渲染精度的同时，也展示了更快的渲染速度。 3DGS以其高效的渲染、显式表示和丰富的优化能力，成为一个强大的替代方案。
3K11编辑于 2024-06-21 - 来自专栏AIGC 先锋科技
增强无界 3D 高斯扫描与视图一致的 2D 扩散优先级,3DGS-Enhancer在NVS增强中的先进效果 ！
截至目前，这是首次针对提高低质量3DGS渲染结果的问题进行研究的工作，这在实际3DGS应用中广泛存在。 作者提出了一种新颖的3DGS增强 Pipeline 3DGS-Enhancer，以解决3DGS增强问题。 具体来说，在给定的场景中，训练了一个3DGS模型，该模型基于一组输入视图 及其相应的相机位姿 。 研究的目标是增强由该3DGS模型渲染的一组低质量新视图 。 更具体地，对于每个场景，作者拥有个视角，这些视角作为高质量3DGS模型的输入。作者从中统一采样一小部分视角，这些视角作为低质量3DGS模型的输入。 然而，由于其固有的限制，作者直接将原始输入视图输入到3DGS微调过程中。这导致了从输入域到3DGS微调过程的更可靠和视图一致的信息，这有助于3DGS微调，正如表3中的“真实图像”所示。
1.3K10编辑于 2024-11-21 - 来自专栏机器之心
告别3D高斯Splatting算法，带神经补偿的频谱剪枝高斯场SUNDAE开源了
图 1: (a) 3DGS 7k 迭代次数的结果；(b) 3DGS 30k 迭代次数的结果，使用了更多的高斯基元来表示三维场景，因此质量更高、速度更慢、存储空间更大；(c) 剪枝了 90% 的高斯基元， 二、实验结果 2.1 定量结果 我们将 SUNDAE 与最先进的 3DGS 和 NeRF 算法进行对比，相比于 3DGS 来说，我们的模型只占用了 10% 的内存就可以达到相似的效果，并且使用 30% 或 50% 的内存便能超过原版 3DGS。 如表 5 所示，Points 是训练后的基元数量，Ratio 是训练后基元数量与原始 3DGS 的大致比率。 实验结果表明，SUNDAE 在保持 3DGS 的效率的同时，显著减小了内存，提升了效率并且保持了高保真的渲染质量。
98910编辑于 2024-05-22 - 来自专栏机器之心
SIGGRAPH Asia 2025：摩尔线程赢图形顶会3DGS挑战赛大奖，自研LiteGS全面开源
3DGS：下一代图形渲染的范式革命 开启 AI 加速的高效渲染时代 3D Gaussian Splatting（3DGS，三维高斯溅射）是 2023 年提出的一项革命性 3D 场景表示与渲染技术，以可参数化的 3DGS 以其高保真场景显示、快速优化能力和轻量级结构，为构建准确的世界模型提供了可靠支撑，有助于提升路径规划、环境感知和复杂操作任务的能力。 随着 AI 技术向 “理解并操作真实世界” 方向不断延展，3DGS 正逐渐成为具身智能训练场景中的关键基础技术之一。 SLAM 点云，在极短时间内完成完整的 3DGS 高质量重建。 开放协作 摩尔线程开源 3DGS 基础库 LiteGS 作为一种新兴的场景表示与新视角合成技术，3DGS 凭借高渲染质量与实时渲染速度，在计算机图形学与视觉领域实现了显著突破。
72910编辑于 2025-12-18 - 来自专栏新智元
纯RGB输入，解决户外场景SLAM！误差降低至9.8%，港科广开源 | ICRA 2025
现有基于3D高斯分布（3DGS）的SLAM方法虽在室内场景表现出色，但使用仅RGB输入来处理无界的户外场景仍然面临挑战： 准确的深度和尺度估计困难，这影响了姿态精度和3DGS初始化 图像重叠有限且视角单一 此外，将相机位姿估计与3DGS渲染集成到一个端到端可微的管道中，实现了位姿和3DGS参数的联合优化，显著提高了系统的跟踪精度。 随后，将估计得到的相机位姿与3DGS渲染结合，构建端到端可微分优化管线，使得相机位姿与3DGS场景参数能够同时优化，显著提高了系统的跟踪精度。 追踪 帧间点图回归与位姿估计 之前基于3DGS和NeRF的SLAM工作，主要集中在室内和小规模场景中，其中相机的运动幅度较小，视角密集。 在这种情况下，NeRF或3DGS可以直接用于优化相机位姿。 3DGS场景表示 研究人员使用3DGS作为场景表示，提出自适应尺度映射器（Adaptive Scale Mapper），在关键帧时为地图插入新的高斯点。
83100编辑于 2025-03-27 - 来自专栏机器之心
挑战WorldLabs：Visionary，一个全面超越Marble底层渲染器的WebGPU渲染平台
Marble 所依赖的基于 WebGL 的 3D Gaussian Splatting (3DGS) 渲染器 SparkJS，让世界模型首次在浏览器中「跑起来」，但也暴露出明显瓶颈：大场景以及复杂场景下 近日，开源项目 Visionary 给出了一个截然不同的答案：基于 WebGPU 与 ONNX，在浏览器中实现真正的动态 3DGS / 4DGS 实时渲染，并在多项测试中全面超越 SparkJS。 端方案（SparkJS、SuperSplat）：受限于 WebGL 管线，主要支持静态或预计算高斯，难以承载实时推理的动态 3DGS、Neural Avatar，更难引入生成式模型。 这种设计使得渲染器不再受限于具体的算法细节，首次在浏览器端实现了每帧动态生成与更新高斯、同一渲染器承载多种 3DGS 变体以及接入生成式后处理（如风格化、增强）的能力。 性能实测： 全面超越 SparkJS 实验数据显示，在相同 3DGS 资源条件下，Visionary 的渲染效率显著优于当前主流 Web 端查看器。
88510编辑于 2025-12-31 - 来自专栏点云PCL
迈向下一代SLAM：聚焦性能、鲁棒性与未来方向的3DGS-SLAM综述
3D高斯泼溅（3DGS）以其高效的显式表示和高质量的渲染能力，为SLAM提供了一种新的重建范式。本综述全面回顾了将3DGS与SLAM集成的关键技术方法。 新兴的3D高斯泼溅（3DGS）技术弥合了这一鸿沟，它提供了一种显式表示，兼具NeRF的渲染质量和卓越的渲染速度。 自3DGS问世以来，已有若干综述对其进行了回顾，但主要将3DGS作为场景的一般表示进行探讨，未深入其在SLAM集成中面临的特定优化挑战。相反，现有的SLAM综述未涉及3DGS在SLAM中的潜力。 使用构建的3DGS地图作为基础，固定或联合优化闭环帧及其共视关键帧的位姿，并重新优化闭环区域内高斯体的参数。这使得3DGS地图与闭环区域内的所有观测对齐，提高了全局一致性。 因此，一些工作引入了全局BA来联合细化相机位姿和3DGS地图几何（高斯参数），以最大化光度和几何一致性。
1.3K10编辑于 2026-03-26 - 来自专栏机器之心
HumanGaussian开源：基于Gaussian Splatting，高质量 3D 人体生成新框架
因此，3DGS 需要结构引导，特别是对于需要层次化建模和可控生成的人体领域。 基于这些观察，研究者提出了在 SMPL-X 网格表面均匀采样点作为 3DGS 初始化。他们对 3DGS 进行缩放和变换，使其达到合理的人体尺寸并位于 3D 空间的中心。 由于 SMPL-X 先验仅用作初始化，因此需要更全面的指导来促进 3DGS 训练。 通过生成空间对齐图像 RGB 和深度的扩展扩散模型，可以从结构和纹理方面同时指导 3DGS 优化过程： 这种结构正则化有助于减少几何失真，从而有利于具有稀疏梯度信息的 3DGS 优化。 基于此，研究者提出增加负文本分类器分数以实现更好的 3DGS 学习。
1.4K10编辑于 2023-12-12 - 来自专栏AIGC 先锋科技
滑铁卢大学使用谷歌地球图像和高斯溅射进行真实感3D城市场景重建和点云提取！
本文专注于基于遥感的3D高斯溅射（3DGS）的大规模视图合成，以及从高斯溅射中提取3D几何信息。 这种效果也被3DGS模型学习到了，在相应的渲染图像中可以明显看到。 此外，作者还测试了3DGS在其他BungeeNeRF Google Earth Studio场景上的性能。 以古根海姆博物馆为中心的毕尔巴鄂场景，3DGS重建效果最差。 在从SfM预处理、3DGS细化后的点云以及甚至MVS细化后的密集点云中恢复3D几何（作为3D点云）时，作者注意到存在从轻微到强烈的噪声，这应在未来的3DGS研究中加以解决。 在大规模城市重建数据集上，作者比较了3DGS方法与NeRF方法，该数据集跨越了10个城市，并对3DGS的三维点云密度增强能力进行了仔细研究，与多视图立体密集重建在作者的研究区域进行了比较和可视化。
3K10编辑于 2024-07-08 英特尔支持的3DGS项目动工，目标是每年生产约7万个玻璃基板
该项目由美国3D Glass Solutions（3DGS）公司开发，英特尔通过其全资印度子公司Heterogeneous Integration Packaging Solutions投资。 3DGS被视为玻璃基板封装领域的全球先驱。据ANI称，3DGS投资者包括英特尔以及美国国防及航空航天公司洛克希德·马丁。 值得注意的是，据路透社报道，自陈立武成为英特尔CEO以来，英特尔资本在两轮融资中共向3DGS投资了800万美元。陈立武的华登国际在第二次融资后持有9.6%的股份。
34010编辑于 2026-04-23- 来自专栏数字孪生技术实战
数字孪生领域的三大主流建模技术：倾斜摄影、3D 高斯泼溅、点云
此文系统梳理倾斜摄影、点云、3D 高斯泼溅（3DGS）这三大主流建模技术以及数字孪生技术，理清它们的原理、关系、优缺点和应用场景。 它是所有三维建模技术的基础数据源，倾斜摄影和 3DGS 的初始重建都离不开点云。3DGS 适合对视觉效果要求高的交互场景，比如 VR/AR 体验、数字营销、虚拟展厅、设备远程巡检。 在实际项目中，最常见的组合是：用倾斜摄影做城市级底图，用激光雷达点云做重点区域的高精度建模，用 3DGS 做关键设备的超写实渲染，最后把它们融合到数字孪生平台中。 比如，用激光雷达点云提供精确的几何骨架，用倾斜摄影提供大范围的纹理信息，用 3DGS 技术进行高质量渲染，形成一个完整的三维重建流水线。2. 3DGS 技术之所以能快速崛起，正是因为它在重建速度和渲染速度上都有巨大优势。未来，我们有望实现 "所见即所得" 的实时三维重建。3.
17500编辑于 2026-08-11 - 来自专栏CVer
Proxy-GS：为结构化3DGS引入统一遮挡先验
Occlusion Priors for Training and Inference in Structured 3D Gaussian Splatting），面向基于 MLP 的结构化 3D 高斯溅射（3DGS 背景与动机： 为什么结构化 3DGS 会越跑越慢？ 3D 高斯溅射（3DGS）在高质量新视角合成上已取得显著进展，但原始 3DGS 往往产生大量冗余高斯，且忽视场景几何结构。 MatrixCity Street：Proxy-GS 与 3DGS / Scaffold-GS / Hierarchical-GS / Octree-GS 的定量对比。 与其它加速方案的组合：Proxy-GS 主要减少参与渲染的锚点与高斯数量，因此可与 FlashGS、硬件光栅化 3DGS 等原有 3DGS 渲染加速技术叠加。 在 Block 1 上的实验表明，在默认 3DGS 渲染器基础上替换为 FlashGS 或硬件 3DGS 渲染器，可进一步提速；使用硬件 3DGS 时 FPS 提升明显，画质略有 trade-off。
46510编辑于 2026-06-12 - 来自专栏人工智能前沿讲习
【源头活水】CityGaussian：VR/AR时代的城市重建新标杆
而新近提出的显式表征算法3D Gaussian Splatting（3DGS）以其可编辑性以及高效渲染为场景重建带来了新的可能。 另一方面，针对训练好的大规模3DGS表征，使用不同压缩率来得到不同细节层次的场景表征。 （1）训练阶段 首先训练一个体量较小、渲染质量较为粗糙的3DGS表征作为对场景的先验。以此为基础，我们在压缩后的坐标空间将高斯点划分为一系列互不重叠的区块。 每个子块随后可以并行训练，并行训练的结果在融合后即可得到整个场景的3DGS表征。训练流程如下图所示。 图4.验证LoD 视频效果演示 总结与展望 3DGS极大地推动了实时三维场景重建和新视图合成的进步。
1.3K10编辑于 2024-07-17 - 来自专栏代码编写世界
3D Gaussian Splatting可视化渲染原理详解
用最通俗的话来定义，3DGS 是一种利用数百万个可学习的 3D 色块来实时渲染逼真 3D 场景的技术。在具体的工程实践中，3DGS 的数据载体通常是一个 .ply 文件。 总结来说，各向异性是 3DGS 的“画笔”。 因此，3DGS 采取了一种极其聪明的视平面投影策略。 5. 3DGS 着色伪代码 结合前面的知识，我们可以写出 3DGS 中计算最终颜色的核心伪代码。 3. 3DGS中的透明混合 3DGS 的透明混合与传统 GPU 几乎完全一致。
1K10编辑于 2026-07-18 - 来自专栏CVer
ECCV 2026 | 让3DGS实时跑在手机上！Flux-GS：移动端3D重建的突围
flux-gs-project/ Code(移动端与训练代码均已开源): https://github.com/xiaobiaodu/Flux-GS 在 3D 计算机视觉的宏大演变中，2023 年注定是被 3D 高斯泼溅（3DGS 一、 沉重的背包与盲目的工匠：移动端的两大梦魇 要想理解 Flux-GS 的破局之智，我们必须先回到传统 3DGS 曾置身其中的“泥潭”。 不堪重负的球谐函数（SH）背包 为了在不同的观看视角下呈现出物体表面水润的反光、金属的色泽以及细腻的高光，传统的 3DGS 为每个高斯点都装备了一个多达 三阶的球谐函数（SH） 背包。 二、 破局者的解构主义：Flux-GS 的三大核心战术 面对这头“性能怪兽”，研究团队没有选择硬碰硬的硬件对抗，而是像精密的解构主义大师，用数学和逻辑对 3DGS 进行了大刀阔斧的重构。 初始训练的显存峰值：因为算法在前 3000 次迭代中仍需借助三阶 SH 来捕捉高频辐射能量，这意味着虽然它的最终产物极其轻量，但最初训练那一刻的峰值显存消耗依然无法摆脱传统 3DGS 的高门槛。
72600编辑于 2026-07-13
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号