1. 本周 3DGS 圈子里我在关注什么先说结论2026 年 8 月最后这一周3DGS 领域没有那种“一夜变天”的重磅论文炸弹但整个生态明显在往两个方向使劲——易用性和国产算力适配。前两年大家还在纠结“能不能跑”今年讨论的已经是“怎么在业务里稳定跑、怎么让不会写 CUDA 的美术同事也能上手”。这种转变说实话比发一篇顶会论文更让我高兴。这周我在几个技术社群里泡着刷得最多的关键词无非这几个3DGS 三维重建、高斯泼溅、昇腾适配、Supersplat 编辑工具以及 CSDN 上不断冒出来的论文解读和 demo 复现。我把这一周值得记录的信息做了一个梳理有些是具体的工具更新有些是我自己的实测感受还有一些是踩完坑之后的经验教训。这篇速报不打算做成“新闻联播式”的流水账而是挑最值得展开的几个点掰开揉碎聊一聊。如果你正在入门 3DGS或者已经在用 Gaussian Splatting 做项目但总觉得哪里不够顺手这一期内容应该能帮你节省不少时间。我会把重点放在本周值得关注的技术动态、高斯泼溅核心原理的通俗拆解、一套可以直接照着跑的本地 demo 实操流程以及我在 Supersplat 和模型后处理过程中踩过的几个典型坑。2. 本周动态盘点昇腾适配、Supersplat 与论文热度2.1 昇腾适配意味着什么3DGS 正在走出“NVIDIA 后花园”这周热词里最显眼的一个就是“3DGS 三维重建 昇腾”。很多人可能对昇腾这个名词比较陌生简单说这是一款国产 AI 加速芯片这几年在训练和推理场景中出现的频率越来越高。过去做 3DGS 的人几乎默认绑定 NVIDIA 显卡因为 CUDA 生态太强了很多算子只有 CUDA 版本换到其他芯片上要么跑不起来要么慢到怀疑人生。但现在情况在变化。这周我注意到已经有人开始在昇腾环境下做 3DGS 的适配和推理验证。虽然我没有亲自上手实测手头暂时没有对应的开发环境但根据社区里的反馈来看主要工作集中在两点算子的迁移改写和推理管线的重写。高斯泼溅的前向渲染过程里有一堆自定义 CUDA kernel这些没法直接在昇腾上跑需要逐个翻译成昇腾支持的算子形式再用它的推理框架重新编译。这件事的意义不能只看“又多了个能跑的芯片”。它背后代表的是 3DGS 技术栈正在从一个高度绑定特定硬件的“实验室玩具”慢慢变成可以跨平台部署的工程化工具。尤其对于有数据合规要求、不能把所有计算都放到云端的团队来说本地化部署 国产算力支持是一个实打实的需求。我预计未来半年会有越来越多针对非 NVIDIA 平台的 3DGS 推理优化方案出现届时整个行业的部署成本会进一步下降。当然现阶段昇腾跑 3DGS 距离“开箱即用”还有距离。社区里也有人在抱怨算子迁移的工作量太大文档不够完善遇到问题的时候排查起来比 CUDA 生态费劲得多。这些吐槽都很真实但作为一个长期趋势来看方向是好的。如果你所在团队有国产化部署的硬指标建议先从简单的前向渲染推理开始验证不要一上来就想着在昇腾上做全流程训练步子迈大了容易扯着蛋。2.2 Supersplat3DGS 编辑器生态开始“卷”起来了另一个让我眼前一亮的动态是 Supersplat 相关内容的讨论热度明显上升。Supersplat 是一个面向 3DGS 的可视化编辑工具简单来说它的定位就是“高斯泼溅模型的美图秀秀”——你可以加载训练好的 .ply 模型在浏览器里直接查看、编辑、修复。前两年做 3DGS 模型后期优化的时候流程相当痛苦。训练出来一个模型如果场景里有漂浮的噪点、多余的碎片只能在代码里写脚本处理或者用 MeshLab 这类传统网格工具硬凑。整个过程既不直观效率也低。Supersplat 这类工具出现之后玩法就不一样了——你能“看见”那些高斯点然后像 Photoshop 一样框选、删除、调整。这周有朋友发了一个用 Supersplat 修复室内场景的实测给我模型里天花板附近有一团明显的漂浮物传统做法是调训练参数重新训练一跑就是半小时起步。他用 Supersplat 加载模型手工框选删除那团噪点再导出新的 .ply前后不到五分钟。这个效率差距直接决定了后期修图到底是一道“体力活”还是一次“微调”。不过 Supersplat 也不是万能的。它更适合做小范围的精细修复如果模型整体质量很差比如高斯点数量严重不足、场景大面积空洞靠手动编辑是救不回来的。那种情况还是得回到数据采集和训练参数上找问题。工具永远是辅助底子不好后期怎么修都别扭。2.3 论文与社区热度CSDN 上的 3DGS 内容在“质变”还有一个体感层面的变化CSDN 上关于 3DGS 的论文解读和 demo 复现内容质量在明显提升。前两年搜“3DGS 论文”出来的基本都是原文翻译加一堆公式截图看完还是不知道怎么跑。现在越来越多博主开始直接给完整可跑的代码、训练参数、数据准备流程甚至会把坑也写出来。我个人的观点是一个技术方向是否进入成熟期不看顶会论文的数量而看社区里“踩坑帖”的质量。当越来越多人开始记录“我训练的时候显存爆了怎么办”“为什么我的模型训练完是一片糊”“SSIM 指标很高但视觉效果很差”这类具体问题时说明这项技术已经从论文走向了真实的生产环境。这周我刷到的几篇 3DGS 复现笔记都提到了开源数据集和自己采集数据的差异这种一手经验比任何官方文档都值钱。所以如果你现在正准备入门 3DGS我建议不要只盯着 arXiv 刷最新论文多花时间看看社区里的工程实践帖。论文告诉你能做什么而踩坑帖告诉你怎么才能做到。3. 原理拆解高斯泼溅到底是什么“泼溅”3.1 一句话解释 3DGS用一堆“半透明汤圆”拼出三维世界很多新手第一次看到“3D Gaussian Splatting”这个术语容易懵。我先给一个比较接地气的类比3DGS 就是用一大堆“半透明的小汤圆”把一个三维场景一颗一颗地拼出来。每个小汤圆不是一个空壳它自带位置、大小、颜色、透明度这四条核心属性。大量汤圆堆叠在一起从某个角度往锅里看就能看到一幅完整的画面。这里的“高斯”指的是数学上的高斯分布用来描述每个汤圆的形状——它不是一个硬边界的球体而是一个“中心最实、越往边缘越淡”的软球。这种软球的妙处在于单个看是模糊的一团但很多个软球叠加之后反而能拟合出非常清晰的边缘和细节。就像马赛克拼图每一块是模糊的但拼起来就是清晰的画面。“Splatting”这个词来自计算机图形学里的一个经典操作把三维空间中的点“扔”到二维屏幕上。你可以想象手里抓一把湿雪用力往墙上甩雪球碰到墙面的瞬间会“啪”地摊开成一个斑块——这个动作就是 Splat。3DGS 渲染的时候每个高斯点都像一颗甩到屏幕上的雪球摊开成一片带透明度的小斑点屏幕上所有斑点按顺序叠加混合就渲染出了一张图像。3.2 为什么 3DGS 能比 NeRF 快那么多没有“神经”的神经渲染在讨论 3DGS 之前我必须先提一下它的“前辈”NeRF神经辐射场。NeRF 是 2020 年提出的方案核心思路是训练一个多层感知机网络把三维坐标和视角方向映射成颜色和密度。效果确实好但慢也是出了名的慢——训练一个场景动辄几小时渲染一张 800×800 的图可能要好几秒。3DGS 换了一条完全不同的路线不训练神经网络不搞隐式表达直接显式地维护一大堆高斯点通过不断调整这些点的参数来逼近真实场景。渲染的时候也不需要让神经网络做推理而是把每个高斯点依次“投影”到屏幕上进行光栅化混合。这个过程本质上是传统的图形学管线和并行计算能完美加速的所以速度才能做到实时级。用生活化的比喻说NeRF 像一个照相机你得先“拍摄”训练网络很久拍照渲染的时候还得等它慢慢处理3DGS 则像一本巨大的贴纸册每张贴纸高斯点都提前做好了展示的时候只需要按顺序往上贴就行。贴的过程当然快得多。这也是为什么 3DGS 能迅速在实时渲染、游戏、数字人、自动驾驶仿真等场景里火起来——在保证画面质量的前提下它能做到实时交互这对产品化的意义是决定性的。一个需要等 5 秒才能看到渲染结果的方案和 60 帧流畅交互的方案完全不是一个维度的东西。3.3 训练在做什么一场“逐步逼近”的拼图游戏3DGS 的训练过程本质上是在做一个优化任务。初始的时候你会得到一堆从稀疏点云通常由 SfM 算法生成扩展出来的高斯点。这些点的位置是大致对的但形状、颜色、透明度都是随机的渲染出来就是一团糊的。训练循环大概是这样的把当前的高斯点集合渲染成图像跟真实拍摄的照片做对比算出像素级的误差然后反向传播更新每个高斯点的参数。每隔一定的迭代次数还会做一次“加点”和“减点”操作——哪些地方细节不够就在附近分裂或复制出更多高斯点哪些点透明度太低、几乎不影响画面就干脆删掉。整个过程像什么呢像一个雕塑家先搭一个粗糙的骨架稀疏点云然后不断地往上糊泥巴加点、刮掉多余的删点、精修细节更新参数最终得到一尊细节丰富的雕像。这里有一个很重要的参数值得关注迭代次数。太多会过拟合太少会欠拟合。我自己的经验是在一台 RTX 4090 上训练一个中等规模的室内场景2 万到 3 万次迭代是一个比较稳的区间训练时间在 10 到 20 分钟之间。但如果你用的是 3060 这类消费级显卡可以把迭代次数往下调一点或者把图像分辨率降一降否则显存会先扛不住。3.4 显存为什么总是不够每一个“汤圆”都是要花钱的很多刚接触 3DGS 的新手遇到的第一个拦路虎不是效果不好而是显存不够。这就要回到高斯点的数据结构上。每个高斯点不是存 4 个浮点数就完了它至少要保存位置坐标3 维、旋转四元数4 维、缩放向量3 维、颜色通常是球谐系数视阶数而定一阶就是 3 维三阶就是 48 维、透明度1 维。一个细节丰富的场景高斯点的数量动辄几十万到上百万这些参数在前向渲染和反向传播时要全部放在显存里再加上中间产生的梯度显存消耗自然就爆炸了。所以如果你问我“什么显卡适合跑 3DGS”我的回答是玩票的话 3060 12G 勉强够想训练稍微复杂一点的场景起步建议 4080 或 4090。当然也可以走云端 GPU按小时租能省一笔硬件钱。但无论如何你要有这个心理准备3DGS 的本质是“用显存换细节”省显存就只能牺牲画质或者场景复杂度鱼和熊掌不可兼得。4. 实操指南从零跑通一个 3DGS Demo 的完整流程4.1 环境准备别急着敲代码先把 Python 环境隔离好这一节写给从零开始的新手。3DGS 的官方开源项目就是那个 star 数极高的 original implementation对环境的依赖比较挑剔我见过太多人在第一步就卡住——不是 CUDA 版本不对就是 PyTorch 装成了 CPU 版。我的建议是直接用 conda 建一个独立环境不要装在 base 环境里。具体步骤如下conda create -n gaussian python3.8 -y conda activate gaussian pip install torch2.0.1 torchvision0.15.2 --index-url https://download.pytorch.org/whl/cu118 pip install plyfile tqdm submodules/diff-gaussian-rasterization submodules/simple-knn需要特别说明的是这里 PyTorch 2.0.1 和 CUDA 11.8 的组合是我测过最稳的一套。如果你用更新的 PyTorch 版本某些 CUDA 扩展可能编译不过去或者运行时报各种奇怪的算子错误。踩过的人应该知道我在说什么。另一个容易踩坑的点是diff-gaussian-rasterization 这个子模块。它是一个自定义的 CUDA 光栅化算子是渲染的核心但它没有预编译的 wheel 包必须从源码编译。编译本质上是在自己的机器上跑一遍 CUDA 编译器所以你必须先确保系统里装了与 PyTorch 版本匹配的 CUDA toolkit。很多人报错说找不到 nvcc就是这一步没做对。最快验证环境是否正常的方式是在 Python 里执行import torch print(torch.cuda.is_available())如果你看到 True说明 PyTorch 能正确调用 GPU。接下来再去编译子模块成功率会高很多。4.2 数据准备不要一上来就用手机随便拍训练 3DGS 的第一步是准备好目标场景的多视角照片。看似简单但这里面的讲究比大多数人想象的多。我见过太多人拿手机围着物体绕一圈咔咔咔拍了几十张训练出来的效果却是模型糊成一片或者场景有大量空洞。问题往往不在算法而在拍摄质量。首先照片之间必须有足够的重叠区域。我的经验是相邻两张照片的重叠度至少要有 60% 到 70%这样特征点匹配才能给出足够多的对应关系重建出来的稀疏点云质量才有保障。其次拍摄的时候尽量避免运动模糊——宁愿提高 ISO 让照片有一点噪点也不要快门速度太慢导致画面糊掉。因为后续的 SfM 算法是靠提取图像特征点来做匹配的模糊图像的特征点极不稳定会直接影响整个重建流程。如果是用官方仓库跑建议先下载官方提供的场景数据通常在项目 README 里有链接确保流程走通之后再换自己的数据。官方案例数据都是精挑细选的拍摄质量非常稳定能帮你排除数据因素把注意力集中在体验算法流程上。4.3 训练命令与参数先抄作业再谈调参环境配好、数据到位之后训练命令是非常简单的。假设你的数据在 data/ 目录下包含一个 images 文件夹运行python train.py -s data/ -m output/这句话就会开始训练。默认参数情况下它会用 COLMAP 做一次特征提取和稀疏重建这一步可能要花几分钟到十几分钟不等取决于照片数量和分辨率。等 COLMAP 跑完才会进入真正的 3DGS 训练阶段。新手跑训的时候我其实不建议一开始就去修改那些高级参数。官方的默认值已经是一套经过调优的“安全参数”对大多数场景都适用。你先用默认参数完整跑一遍看看训练过程中渲染出来的验证集图片效果怎么样再去搜索具体参数的含义。比如--iterations控制训练迭代总数--densify_until_iter控制“加点”操作停止的时机--position_lr_max_step控制位置学习率衰减到最低时的步数。每个参数对最终效果都有影响但你得先建立“看到效果差异”的直觉才能理解这些参数为什么要调。否则就是瞎调调完也不知道好不好。训练结束后output 目录里会有几个文件。你需要关心的是point_cloud.ply这个文件它就是训练得到的 3DGS 模型而渲染器会用另一个文件通常是.ply配合一个 config 文件来做实时预览。官方仓库提供了一个简单的可视化脚本可以用鼠标拖拽视角实时查看训练出来的场景。4.4 后处理模型瘦身与效果优化别把训练结果当成品训练完拿到 .ply 模型这只是第一步。在实际项目里一个训练好的 3DGS 模型往往有 50 万甚至 100 万个高斯点对于移动端或 Web 端实时渲染来说这个体量太大直接拖进浏览器基本跑不动。所以后续的模型压缩和轻量化是必须面对的问题。目前常见的做法有几类一类是直接按照高斯的“贡献度”做剪枝——删掉那些透明度很低、几乎不影响渲染效果的点另一类是用量化手段把浮点数参数压到更低的精度再一类是用知识蒸馏的思路拿大模型生成的高分辨率渲染图去训练一个小模型让小模型学会用更少的点表达同样的视觉效果。这三个方向都有对应的开源项目但成熟度和易用性参差不齐。我的建议是先做剪枝因为它最简单、最直接效果也更可控剪枝之后的模型如果还是很重再考虑量化方案。5. Supersplat 实操用可视化工具给高斯模型“做手术”5.1 加载模型拖拽即用但要注意文件格式Supersplat 的入口是一个 Web 页面官方提供了免费的在线版本。第一次打开界面会引导你导入一个 .ply 文件。这里要特别注意不是随便一个 .ply 都能用。3DGS 训练出来的 .ply 带有自定义的属性记录了球谐系数等扩展信息Supersplat 需要的是这种带扩展属性的 .ply而不是标准的几何网格 .ply。如果导进去发现画面是空的或者一片漆黑先检查一下是不是文件格式不对。导入成功之后你会看到场景里密密麻麻的高斯点云像是无数个小光斑叠在一起。这时候可以用鼠标拖拽旋转视角、滚动滚轮缩放从各个角度观察模型质量。5.2 修复漂浮物与噪点框选删除是最高频的用法Supersplat 里我最常用的就是这个操作双击选中/框选一组高斯点然后按删除键。室内场景训练出来的模型天花板附近、墙角边缘特别容易出现一簇一簇的漂浮噪点。这些噪点在照片里看不到但训练过程中算法可能把它们当作场景的一部分强行还原出来了。有了 Supersplat处理起来就像用 PS 的套索工具圈掉多余内容一样简单。不过这里有一个值得注意的细节直接框选删除可能误伤旁边正常的高斯点导致画面出现空洞。我建议在做删除操作时把视角拉近、缩小选框范围多分几次删不要贪快一次框一大片。另外删除之后可以观察一下目标区域的重建效果——如果出现明显的黑色空洞说明删多了。Supersplat 有撤销功能学会 CtrlZMac 上是 CmdZ是一个好习惯。5.3 导出与精度设置编辑完不是直接拿去用编辑完成后Supersplat 支持导出 .ply 或者 .splat 格式。这里提醒一点导出的时候留意一下数值精度选项。如果模型最终要放在 Web 端或移动端使用较低精度的导出版本可以显著减小文件体积但如果你还要继续拿它做后续训练或精细编辑建议导出完整精度的版本避免多次转换导致精度损失叠加。我自己实测下来的一个感受是Supersplat 的编辑能力虽然好用但它解决的是“模型训练完之后的小修小补”。如果模型本身的训练质量很差比如场景里大面积缺纹理、颜色漂移严重用 Supersplat 怎么修都修不干净。工具的边界要心里有数别把一个后处理工具当成万能的解决方案。6. 常见问题与排查技巧新手最容易踩的 5 个坑我在社区里回答过不少 3DGS 相关的问题发现很多人的问题其实高度相似。下面整理一份速查表按出现频率从高到低排序附上对应的排查思路。现象根本原因解决方向编译 diff-gaussian-rasterization 报错CUDA toolkit 缺失或版本不匹配安装与 PyTorch 匹配的 CUDA重装依赖训练出来画面一片糊照片重叠度不够、SfM 稀疏重建质量差重新拍摄保证相邻照片重叠度 60% 以上显存直接爆掉场景复杂度过高或分辨率过大降低输入图像分辨率减少迭代次数模型表面有大量漂浮物训练过程中的过拟合导致噪点用 Supersplat 手动删除或提前增加正则项实时渲染帧率极低高斯点数量过多超出 GPU 负载做剪枝压缩或者在可视化脚本里开启点数限制6.1 编译报错90% 的原因是 CUDA 环境没配对关于“编译报错”我要多说两句。因为这个坑真的拦住了太多人。官方仓库里的diff-gaussian-rasterization子模块在编译时会调用你系统里的 CUDA 编译器nvcc。如果你的系统装了多个 CUDA 版本或者 PyTorch 里捆绑的 CUDA runtime 和系统 CUDA 版本不一致编译就会失败。一个比较稳妥的排查思路是先用nvcc --version查看系统 CUDA 版本再用python -c import torch; print(torch.version.cuda)查看 PyTorch 需要的 CUDA 版本然后把两者对齐。如果 nvcc 命令本身报“找不到”说明你的 PATH 环境变量没有指向 CUDA 的 bin 目录需要手动添加。这一类问题把环境变量理清楚一次后面能省下无数时间。6.2 SSIM 指标很高但画面很差数值好不代表视觉好还有一个很隐蔽但非常常见的现象训练日志里 SSIM 指标一路走高看起来模型拟合得不错但打开可视化一看画面上全是斑驳的色块或者细碎的高斯点。这是我见过最让新手困惑的问题之一。原因其实很直白SSIM 是一个统计指标它衡量的是两幅图像在结构上的相似度但没法全面地反映人眼的视觉感受。如果场景里有大量重复纹理比如树叶、草地、地毯花纹算法可能会用高频噪点来拟合这些纹理从统计上看误差不大但人眼看着就是“脏”。遇到这种情况我一般会先检查训练数据的质量——是不是用了太多边角处严重失真的照片。其次可以尝试调低学习率、增加迭代次数让算法收敛得更缓慢更稳定。最后如果真的不想折腾超参数直接上 Supersplat 手动清理也是一个性价比很高的选择。6.3 实时预览卡顿先降分辨率再谈优化训练好的模型在官方可视化工具里跑起来只有十几帧这是正常的——官方工具更多是给你“验证效果”用的没有做过深的性能优化。如果确实需要实时预览我的建议是打开预览后先降低渲染分辨率等你确认模型质量没问题了再去考虑更精细的性能优化方案。性能优化的主要思路无非是控制高斯点数量和压缩数据精度这部分涉及面较广后续如果有机会我单独写一篇展开说。7. 一些写在最后的个人体会这一周刷下来我对 3DGS 生态最大的感受是它正在从一个“算法玩具”变成一个“工程工具”。所谓玩具指的是你能跑通、能出效果、能发朋友圈炫一下但离产品化还很远而工具意味着它开始被嵌入到真实的工作流里——移动端扫描、Web 展示、云端重建服务、国产芯片推理部署这些都不是论文里的设想而是正在发生的工程实践。我个人的建议是如果条件允许今年下半年可以重点关注两个方向一个是怎么把训练好的模型做得更轻、更快压缩与量化方向另一个是怎么把 3DGS 融入现有的渲染管线比如 Unity、Unreal、WebGL让美术和开发同事能真正用起来。这也是为什么我会在这期速报里花比较多篇幅讲 Supersplat 这类工具——它们代表的就是“降低使用门槛”这个趋势。最后再分享一个小技巧训练之前先把 COLMAP 的稀疏点云用 CloudCompare 之类的工具打开看一眼。如果点云质量都很差那后面 3DGS 训练出来大概率也不会好。花十分钟确认一下“地基”稳不稳比训完之后花几个小时折腾调参要划算得多。这也是我这几年做三维重建项目踩过最多坑之后最想对刚入门的朋友们说的一句话。