寫在前面&筆者的個(gè)人理解

基於圖像的3D重建是一項(xiàng)具有挑戰(zhàn)性的任務(wù)，涉及從一組輸入圖像推斷目標(biāo)或場(chǎng)景的3D形狀。基於學(xué)習(xí)的方法因其直接估計(jì)3D形狀的能力而受到關(guān)注。這篇綜述論文的重點(diǎn)是最先進(jìn)的3D重建技術(shù)，包括產(chǎn)生新穎的、看不見的視野。概述了高斯飛濺方法的最新發(fā)展，包括輸入類型、模型結(jié)構(gòu)、輸出表示和訓(xùn)練策略。也討論了尚未解決的挑戰(zhàn)和未來(lái)的方向。鑑於該領(lǐng)域的快速進(jìn)展以及增強(qiáng)3D重建方法的眾多機(jī)會(huì)，對(duì)演算法進(jìn)行全面檢查似乎至關(guān)重要。因此，本研究對(duì)高斯散射的最新進(jìn)展進(jìn)行了全面的概述。

（大拇指往上滑，點(diǎn)擊最上方的卡片追蹤我，整個(gè)操作只會(huì)花你1.328 秒，然後帶走未來(lái)、所有、免費(fèi)的乾貨，萬(wàn)一有內(nèi)容對(duì)您有幫助呢～）

三維重建與新視圖合成入門

3D重建和NVS是電腦圖形學(xué)中兩個(gè)密切相關(guān)的領(lǐng)域，旨在捕捉和渲染物理場(chǎng)景的逼真3D表示。 3D重建涉及從通常從不同視點(diǎn)捕獲的一系列2D影像中提取幾何和外觀資訊。儘管有許多用於3D掃描的技術(shù)，但這種對(duì)不同2D影像的捕捉是收集關(guān)於3D環(huán)境的資訊的非常簡(jiǎn)單且計(jì)算成本低廉的方式。然後，這些資訊可以用於創(chuàng)建場(chǎng)景的3D模型，該3D模型可用於各種目的，例如虛擬實(shí)境（VR）應(yīng)用、擴(kuò)增實(shí)境（AR）覆蓋或電腦輔助設(shè)計(jì)（CAD）建模。

另一方面，NVS專注於從先前取得的3D模型產(chǎn)生場(chǎng)景的新2D視圖。這允許從任何期望的視點(diǎn)創(chuàng)建場(chǎng)景的逼真圖像，即使原始圖像不是從該角度拍攝的。深度學(xué)習(xí)的最新進(jìn)展導(dǎo)致了3D重建和NVS的顯著改進(jìn)。深度學(xué)習(xí)模型可用於有效地從影像中提取3D幾何結(jié)構(gòu)和外觀，此類模型也可用於從3D模型中產(chǎn)生逼真的新穎視圖。因此，這些技術(shù)在各種應(yīng)用中越來(lái)越受歡迎，預(yù)計(jì)它們?cè)谖磥?lái)將發(fā)揮更重要的作用。

本節(jié)將介紹如何儲(chǔ)存或表示3D數(shù)據(jù)，然後介紹用於該任務(wù)的最常用的公開數(shù)據(jù)集，然後將擴(kuò)展各種演算法，主要關(guān)注高斯飛濺。

3D資料表示

三維資料的複雜空間性質(zhì)，包括體積維度，提供了目標(biāo)和環(huán)境的詳細(xì)表示。這對(duì)於在各個(gè)研究領(lǐng)域創(chuàng)建沉浸式模擬和精確模型至關(guān)重要。三維資料的多維結(jié)構(gòu)允許結(jié)合深度、寬度和高度，從而在建築設(shè)計(jì)和醫(yī)學(xué)成像技術(shù)等學(xué)科中取得重大進(jìn)展。

資料表示的選擇在眾多3D深度學(xué)習(xí)系統(tǒng)的設(shè)計(jì)中扮演著至關(guān)重要的角色。點(diǎn)雲(yún)缺乏網(wǎng)格狀結(jié)構(gòu)，通常無(wú)法直接進(jìn)行卷積。另一方面，以網(wǎng)格狀結(jié)構(gòu)為特徵的體素表示通常會(huì)產(chǎn)生高的計(jì)算記憶體需求。

3D表示的演變伴隨著3D資料或模型的儲(chǔ)存方式。最常用的3D資料表示可以分為傳統(tǒng)方法和新穎方法。

Traditional Approaches：

• Point cloud
• Mesh
• Voxel

Novel Approaches：

• Neural Network/Multi layer perceptron (MLP)
• Gaussian Splats

#資料集

三維重建與NVS技術(shù)

為了評(píng)估該領(lǐng)域的當(dāng)前進(jìn)展，進(jìn)行了一項(xiàng)文獻(xiàn)研究，確定並仔細(xì)審查了相關(guān)的學(xué)術(shù)著作。分析特別集中在兩個(gè)關(guān)鍵領(lǐng)域：三維重建和NVS。從多個(gè)相機(jī)影像進(jìn)行3D體積重建的發(fā)展跨越了幾十年，在電腦圖形、機(jī)器人和醫(yī)學(xué)影像中有著不同的應(yīng)用。下一部分將探討該技術(shù)的現(xiàn)狀。

攝影測(cè)量：自1980年代以來(lái)，出現(xiàn)了先進(jìn)的攝影測(cè)量和立體視覺(jué)技術(shù)，自動(dòng)辨識(shí)立體影像對(duì)中的對(duì)應(yīng)點(diǎn)。攝影測(cè)量是一種將攝影和電腦視覺(jué)結(jié)合來(lái)產(chǎn)生物件或場(chǎng)景的3D模型的方法。它需要從各種角度捕捉影像，利用Agisoft Metashape等軟體來(lái)估計(jì)相機(jī)位置並產(chǎn)生點(diǎn)雲(yún)。該點(diǎn)雲(yún)隨後被轉(zhuǎn)換為有紋理的3D網(wǎng)格，從而能夠創(chuàng)建重建目標(biāo)或場(chǎng)景的詳細(xì)和照片級(jí)真實(shí)感視覺(jué)化。

Structure from motion：在20世紀(jì)90年代，SFM技術(shù)獲得了突出地位，能夠從2D影像序列中重建3D結(jié)構(gòu)和相機(jī)運(yùn)動(dòng)。 SFM是從一組2D影像中估計(jì)場(chǎng)景的3D結(jié)構(gòu)的過(guò)程。 SFM需要影像之間的點(diǎn)相關(guān)性。透過(guò)匹配特徵或追蹤多個(gè)影像中的點(diǎn)來(lái)找到對(duì)應(yīng)的點(diǎn)，並進(jìn)行三角測(cè)量以找到3D位置。

深度學(xué)習(xí)：近年來(lái)，深度學(xué)習(xí)技術(shù)，特別是卷積神經(jīng)網(wǎng)路（CNNs）得到了融合?；渡疃葘W(xué)習(xí)的方法在三維重建中加快了步伐。最值得注意的是3D佔(zhàn)用網(wǎng)絡(luò)，這是一種為3D場(chǎng)景理解和重建而設(shè)計(jì)的神經(jīng)網(wǎng)路架構(gòu)。它透過(guò)將3D空間劃分為小的體積單元或體素來(lái)操作，每個(gè)體素表示它是包含目標(biāo)還是為空空間。這些網(wǎng)路使用深度學(xué)習(xí)技術(shù)，如3D卷積神經(jīng)網(wǎng)絡(luò)，來(lái)預(yù)測(cè)體素佔(zhàn)用率，使其對(duì)機(jī)器人、自動(dòng)駕駛汽車、擴(kuò)增實(shí)境和3D場(chǎng)景重建等應(yīng)用具有價(jià)值。這些網(wǎng)路在很大程度上依賴卷積和變換器。它們對(duì)於避免碰撞、路徑規(guī)劃和與物理世界的即時(shí)互動(dòng)等任務(wù)至關(guān)重要。此外，3D佔(zhàn)用網(wǎng)路可以估計(jì)不確定性，但在處理動(dòng)態(tài)或複雜場(chǎng)景時(shí)可能存在計(jì)算限制。神經(jīng)網(wǎng)路架構(gòu)的進(jìn)步不斷提高其準(zhǔn)確性和效率。

神經(jīng)輻射場(chǎng)：NeRF於2020年推出，它將神經(jīng)網(wǎng)路與經(jīng)典的三維重建原理相結(jié)合，在電腦視覺(jué)和圖形學(xué)中引起了顯著關(guān)注。它透過(guò)建模體積函數(shù)、透過(guò)神經(jīng)網(wǎng)路預(yù)測(cè)顏色和密度來(lái)重建詳細(xì)的3D場(chǎng)景。 NeRFs在電腦圖形學(xué)和虛擬實(shí)境中得到了廣泛應(yīng)用。最近，NeRF透過(guò)廣泛的研究提高了準(zhǔn)確性和效率。最近的研究也探討了NeRF在水下場(chǎng)景中的適用性。雖然提供3D場(chǎng)景幾何的穩(wěn)健表示，但計(jì)算需求等挑戰(zhàn)仍然存在。未來(lái)的NeRF研究需要專注於可解釋性、即時(shí)渲染、新穎的應(yīng)用程式和可擴(kuò)展性，為虛擬實(shí)境、遊戲和機(jī)器人技術(shù)開闢道路。

高斯散射：最後，在2023年，3D高斯散射作為一種新的即時(shí)3D渲染技術(shù)出現(xiàn)了。在下一節(jié)中，將詳細(xì)討論這種方法。

GAUSSIAN SPLATTING的基礎(chǔ)

高斯飛濺使用許多3D高斯或粒子來(lái)描繪3D場(chǎng)景，每個(gè)高斯或粒子都配有位置、方向、比例、不透明度和顏色資訊。若要渲染這些粒子，請(qǐng)將其轉(zhuǎn)換為二維空間，並對(duì)其進(jìn)行策略性組織以實(shí)現(xiàn)最佳渲染。

圖4顯示了高斯飛濺演算法的體系結(jié)構(gòu)。在原始演算法中，採(cǎi)取了以下步驟：

• Structure from motion
• #Convert to gaussian splats
• Training
• #Differentiable Gaussian rasterization

STATE OF ART

在接下來(lái)的兩節(jié)中，將探索高斯飛濺的各種應(yīng)用和進(jìn)步，深入研究其在自動(dòng)駕駛、化身、壓縮、擴(kuò)散、動(dòng)力學(xué)和變形、編輯、基於文字的生成、網(wǎng)格提取和物理、正則化和優(yōu)化、渲染、稀疏表示以及同時(shí)定位和映射（SLAM）等領(lǐng)域的不同實(shí)現(xiàn)。將對(duì)每個(gè)子類別進(jìn)行檢查，以深入了解高斯飛濺方法在應(yīng)對(duì)特定挑戰(zhàn)和在這些不同領(lǐng)域取得顯著進(jìn)展方面的多用途。圖5顯示了所有方法的完整清單。

FUNCTIONAL ADVANCEMENTS

本節(jié)檢視了自首次引入高斯飛濺演算法以來(lái)在功能能力方面取得的進(jìn)展。

動(dòng)態(tài)及變形

與一般的高斯飛濺相比，其中3D協(xié)方差矩陣的所有參數(shù)僅取決於輸入影像，在這種情況下，為了捕捉飛濺隨時(shí)間的動(dòng)態(tài)，有些參數(shù)取決於時(shí)間或時(shí)間步長(zhǎng)。例如，位置取決於時(shí)間步長(zhǎng)或幀。該位置可以由下一幀以時(shí)間一致的方式更新。還可以學(xué)習(xí)一些潛在的編碼，這些編碼可以用於在渲染期間的每個(gè)時(shí)間步長(zhǎng)中編輯或傳播高斯，以實(shí)現(xiàn)某些效果，如化身中的表情變化，以及向非剛體施加力。圖6顯示了一些基於動(dòng)力學(xué)和變形的方法。

動(dòng)態(tài)和可變形模型可以很容易地透過(guò)原始高斯飛濺表示的輕微修改來(lái)表示：

Motion and Tracking

大多數(shù)與動(dòng)態(tài)高斯飛濺相關(guān)的工作都擴(kuò)展到跨時(shí)間步長(zhǎng)的3D高斯運(yùn)動(dòng)跟蹤，而不是每個(gè)時(shí)間步長(zhǎng)都有一個(gè)單獨(dú)的飛濺。 Katsumata等人提出了位置的傅立葉近似和旋轉(zhuǎn)四元數(shù)的線性近似。

Luiten等人的論文介紹了一種在動(dòng)態(tài)場(chǎng)景中捕獲所有3D點(diǎn)的全6個(gè)自由度的方法。通過(guò)結(jié)合局部剛度約束，動(dòng)態(tài)3D高斯表示一致的空間旋轉(zhuǎn)，實(shí)現(xiàn)了密集的6自由度跟蹤和重建，而無(wú)需對(duì)應(yīng)或流輸入。該方法在2D跟蹤中優(yōu)于PIP，實(shí)現(xiàn)了10倍低的中值軌跡誤差、更高的軌跡精度和100%的生存率。這種通用的表示方式有助于4維視頻編輯、第一人稱視圖合成和動(dòng)態(tài)場(chǎng)景生成等應(yīng)用。

Lin等人介紹了一種新的雙域變形模型（DDDM），該模型被明確設(shè)計(jì)為對(duì)每個(gè)高斯點(diǎn)的屬性變形進(jìn)行建模。該模型使用頻域的傅立葉級(jí)數(shù)擬合和時(shí)域的多項(xiàng)式擬合來(lái)捕獲與時(shí)間相關(guān)的殘差。DDDM擅長(zhǎng)處理復(fù)雜視頻場(chǎng)景中的變形，無(wú)需為每幀訓(xùn)練單獨(dú)的3D高斯飛濺（3D-GS）模型。值得注意的是，離散高斯點(diǎn)顯式變形建模保證了快速訓(xùn)練和4D場(chǎng)景渲染，類似于用于靜態(tài)3D重建的原始3D-GS。這種方法具有顯著的效率提高，與3D-GS建模相比，訓(xùn)練速度幾乎快了5倍。然而，在最終渲染中，在保持高保真度薄結(jié)構(gòu)方面存在增強(qiáng)的機(jī)會(huì)。

Expression or Emotion variation and Editable in Avatars

Shao等人介紹了GaussianPlanes，這是一種通過(guò)在三維空間和時(shí)間中基于平面的分解實(shí)現(xiàn)的4D表示，提高了4D編輯的有效性。此外，Control4D利用4D生成器優(yōu)化不一致照片的連續(xù)創(chuàng)建空間，從而獲得更好的一致性和質(zhì)量。所提出的方法使用GaussianPlanes來(lái)訓(xùn)練4D肖像場(chǎng)景的隱式表示，然后使用高斯渲染將其渲染為潛在特征和RGB圖像。基于生成對(duì)抗性網(wǎng)絡(luò)（GAN）的生成器和基于2D擴(kuò)散的編輯器對(duì)數(shù)據(jù)集進(jìn)行細(xì)化，并生成真實(shí)和虛假圖像進(jìn)行區(qū)分。判別結(jié)果有助于生成器和鑒別器的迭代更新。然而，由于依賴于具有流量表示的規(guī)范高斯點(diǎn)云，該方法在處理快速和廣泛的非剛性運(yùn)動(dòng)方面面臨挑戰(zhàn)。該方法受ControlNet的約束，將編輯限制在粗略級(jí)別，并阻止精確的表達(dá)或動(dòng)作編輯。此外，編輯過(guò)程需要迭代優(yōu)化，缺少一個(gè)單一步驟的解決方案。

Non-Rigid or deformable objects

隱式神經(jīng)表示在動(dòng)態(tài)場(chǎng)景重建和渲染中帶來(lái)了重大變革。然而，當(dāng)代動(dòng)態(tài)神經(jīng)渲染方法在捕捉復(fù)雜細(xì)節(jié)和實(shí)現(xiàn)動(dòng)態(tài)場(chǎng)景實(shí)時(shí)渲染方面遇到了挑戰(zhàn)。

為了應(yīng)對(duì)這些挑戰(zhàn)，Yang等人提出了用于高保真單目動(dòng)態(tài)場(chǎng)景重建的可變形3D高斯。提出了一種新的可變形3D-GS方法。該方法利用了在具有變形場(chǎng)的規(guī)范空間中學(xué)習(xí)的3D高斯，該變形場(chǎng)專門為單目動(dòng)態(tài)場(chǎng)景設(shè)計(jì)。該方法引入了一種為真實(shí)世界的單目動(dòng)態(tài)場(chǎng)景量身定制的退火平滑訓(xùn)練（AST）機(jī)制，有效地解決了錯(cuò)誤姿勢(shì)對(duì)時(shí)間插值任務(wù)的影響，而不引入額外的訓(xùn)練開銷。通過(guò)使用差分高斯光柵化器，可變形的3D高斯不僅提高了渲染質(zhì)量，而且實(shí)現(xiàn)了實(shí)時(shí)速度，在這兩個(gè)方面都超過(guò)了現(xiàn)有的方法。該方法被證明非常適合于諸如NVS之類的任務(wù)，并且由于其基于點(diǎn)的性質(zhì)而為后期生產(chǎn)任務(wù)提供了多功能性。實(shí)驗(yàn)結(jié)果強(qiáng)調(diào)了該方法優(yōu)越的渲染效果和實(shí)時(shí)性，證實(shí)了其在動(dòng)態(tài)場(chǎng)景建模中的有效性。

DIFFUSION

擴(kuò)散和高斯飛濺是一種從文本描述/提示生成3D目標(biāo)的強(qiáng)大技術(shù)。它結(jié)合了兩種不同方法的優(yōu)點(diǎn)：擴(kuò)散模型和高斯散射。擴(kuò)散模型是一種神經(jīng)網(wǎng)絡(luò)，可以學(xué)習(xí)從有噪聲的輸入中生成圖像。通過(guò)向模型提供一系列越來(lái)越干凈的圖像，模型學(xué)會(huì)扭轉(zhuǎn)圖像損壞的過(guò)程，最終從完全隨機(jī)的輸入中生成干凈的圖像。這可以用于從文本描述生成圖像，因?yàn)槟Ｐ涂梢詫W(xué)習(xí)將單詞與相應(yīng)的視覺(jué)特征相關(guān)聯(lián)。具有擴(kuò)散和高斯飛濺的文本到3D管道的工作原理是首先使用擴(kuò)散模型從文本描述生成初始3D點(diǎn)云。然后使用高斯散射將點(diǎn)云轉(zhuǎn)換為一組高斯球體。最后，對(duì)高斯球體進(jìn)行渲染，以生成目標(biāo)的3D圖像。

Text based generation

Yi等人的工作介紹了Gaussian Dreamer，這是一種文本到3D的方法，透過(guò)高斯分裂無(wú)縫連接3D和2D擴(kuò)散模型，確保3D一致性和複雜的細(xì)節(jié)生成。圖7顯示了所提出的生成影像的模型。為了進(jìn)一步豐富內(nèi)容，引入了噪音點(diǎn)增長(zhǎng)和顏色擾動(dòng)來(lái)補(bǔ)充初始化的3D高斯。此方法的特點(diǎn)是簡(jiǎn)單有效，在單一GPU上15分鐘內(nèi)產(chǎn)生3D實(shí)例，與先前的方法相比，速度優(yōu)越。產(chǎn)生的三維實(shí)例可以直接即時(shí)渲染，突顯了此方法的實(shí)用性。整體框架包括使用3D擴(kuò)散模型先驗(yàn)進(jìn)行初始化，並使用2D擴(kuò)散模型進(jìn)行最佳化，透過(guò)利用兩個(gè)擴(kuò)散模型的優(yōu)勢(shì)，能夠從文字提示創(chuàng)建高品質(zhì)和多樣化的3D資產(chǎn)。

Chen等人提出了基於高斯散射的文本到3D生成（GSGEN），這是一種利用3D高斯作為表示的文本到三維生成方法。透過(guò)利用幾何先驗(yàn)，強(qiáng)調(diào)高斯散點(diǎn)在文本到三維生成的獨(dú)特優(yōu)勢(shì)。兩階段優(yōu)化策略結(jié)合了二維和三維擴(kuò)散的聯(lián)合指導(dǎo)，在幾何優(yōu)化中形成連貫的粗糙結(jié)構(gòu)，然後在基於緊湊性的外觀細(xì)化中緻密化。

Denoising and Optimisation

李等人的GaussianDiffusion框架代表了一種新穎的文本到三維方法，利用高斯飛濺和Langevin動(dòng)力學(xué)擴(kuò)散模型來(lái)加速渲染並實(shí)現(xiàn)無(wú)與倫比的真實(shí)感。結(jié)構(gòu)化雜訊的引入解決了多視圖幾何挑戰(zhàn)，而變分高斯散射模型則緩解了收斂問(wèn)題和偽影。雖然目前的結(jié)果顯示真實(shí)性有所提高，但正在進(jìn)行的研究旨在細(xì)化變分高斯引入的模糊度和霧度，以進(jìn)一步增強(qiáng)。

楊等人對(duì)現(xiàn)有的擴(kuò)散先驗(yàn)進(jìn)行了徹底的檢查，提出了一個(gè)統(tǒng)一的框架，透過(guò)優(yōu)化去噪分?jǐn)?shù)來(lái)改進(jìn)這些先驗(yàn)。該方法的多功能性擴(kuò)展到各種用例，始終如一地提供實(shí)質(zhì)的效能增強(qiáng)。在實(shí)驗(yàn)評(píng)估中，我們的方法取得了前所未有的性能，超過(guò)了當(dāng)代的方法。儘管它在細(xì)化3D生成的紋理方面取得了成功，但在增強(qiáng)生成的3D模型的幾何結(jié)構(gòu)方面仍有改進(jìn)的空間。

OPTIMIZATION AND SPEED

本小節(jié)將討論研究人員為更快的訓(xùn)練和/或推理速度而開發(fā)的技術(shù)。在Chung等人的研究中，引入了一種方法來(lái)優(yōu)化高斯散射，以使用有限數(shù)量的圖像進(jìn)行3D場(chǎng)景表示，同時(shí)緩解過(guò)度擬合問(wèn)題。以高斯散點(diǎn)表示3D場(chǎng)景的傳統(tǒng)方法可能導(dǎo)致過(guò)擬合，特別是當(dāng)可用影像有限時(shí)。該技術(shù)使用來(lái)自預(yù)先訓(xùn)練的單目深度估計(jì)模型的深度圖作為幾何指南，並與來(lái)自SFM管道的稀疏特徵點(diǎn)對(duì)齊。這些有助於優(yōu)化3D高斯散射，減少浮動(dòng)偽影並確保幾何相干性。所提出的深度引導(dǎo)優(yōu)化策略在LLFF資料集上進(jìn)行了測(cè)試，與僅使用影像相比，顯示了改進(jìn)的幾何結(jié)構(gòu)。研究包括引入提前停止策略和深度圖的平滑項(xiàng)，這兩項(xiàng)都有助於提高效能。然而，也承認(rèn)存在局限性，例如依賴單目深度估計(jì)模型的準(zhǔn)確性以及依賴COLMAP的性能。建議未來(lái)的工作探索相互依存的估計(jì)深度，並解決深度估計(jì)困難地區(qū)的挑戰(zhàn)，例如無(wú)紋理平原或天空。

傅等人介紹了COLMAP Free 3D Gaussian Splatting（CF-3DGS），這是一種新的端到端框架，用於從序列圖像中同時(shí)進(jìn)行相機(jī)姿態(tài)估計(jì)和NVS，解決了以前方法中相機(jī)運(yùn)動(dòng)量大和訓(xùn)練持續(xù)時(shí)間長(zhǎng)帶來(lái)的挑戰(zhàn)。與NeRF的隱式表示不同，CF-3DGS利用顯式點(diǎn)雲(yún)來(lái)表示場(chǎng)景。此方法依序處理輸入幀，逐步擴(kuò)展3D高斯以重建整個(gè)場(chǎng)景，在具有挑戰(zhàn)性的場(chǎng)景（如360°視訊）上展示了增強(qiáng)的效能和穩(wěn)健性。此方法以順序的方式共同優(yōu)化相機(jī)姿勢(shì)和3D-GS，使其特別適合視訊串流或有序的影像擷取。高斯飛濺的使用能夠?qū)崿F(xiàn)快速的訓(xùn)練和推理速度，展示了這種方法相對(duì)於先前方法的優(yōu)勢(shì)。在證明有效性的同時(shí)，人們承認(rèn)，順序優(yōu)化將應(yīng)用程式主要限制在有序的圖像集合上，這為在未來(lái)的研究中探索無(wú)序圖像集合的擴(kuò)展留下了空間。

RENDERING AND SHADING METHODS

Yu等人在3D-GS中觀察到，特別是當(dāng)改變?nèi)勇蕰r(shí)，NVS中會(huì)出現(xiàn)偽影。引入的解決方案包括結(jié)合3D平滑濾波器來(lái)調(diào)節(jié)3D高斯基元的最大頻率，從而解決分佈外渲染中的偽影。此外，2D膨脹濾波器被2D Mip濾波器取代，以解決混疊和膨脹問(wèn)題。對(duì)基準(zhǔn)資料集的評(píng)估證明了Mip Splatting的有效性，尤其是在修改採(cǎi)樣率時(shí)。所提出的修改是原則性的、直截了當(dāng)?shù)模枰獙?duì)原始3D-GS程式碼進(jìn)行最小的更改。然而，也存在公認(rèn)的局限性，例如高斯濾波器近似引入的誤差和訓(xùn)練開銷的輕微增加。該研究將Mip Splatting作為一種具有競(jìng)爭(zhēng)力的解決方案，展示了其與最先進(jìn)的方法的性能相當(dāng)，以及在分發(fā)外場(chǎng)景中的卓越泛化能力，展示了它在實(shí)現(xiàn)任意規(guī)模的無(wú)別名渲染方面的潛力。

Gao等人提出了一種新的3D點(diǎn)雲(yún)渲染方法，該方法能夠從多視圖影像中分解材質(zhì)和照明。該框架支援以可區(qū)分的方式對(duì)場(chǎng)景進(jìn)行編輯、光線追蹤和即時(shí)重新照明。場(chǎng)景中的每個(gè)點(diǎn)都由「可重新照明」的3D高斯表示，攜帶有關(guān)其法線方向、雙向反射分佈函數(shù)（BRDF）等材料特性以及來(lái)自不同方向的入射光的資訊。為了精確的照明估計(jì)，入射光被分為全局和局部分量，並考慮基於視角的可見性。場(chǎng)景最佳化利用3D高斯飛濺，而基於物理的可微分渲染處理BRDF和照明分解。一種創(chuàng)新的基於點(diǎn)的光線追蹤方法利用邊界體層次結(jié)構(gòu)，在即時(shí)渲染過(guò)程中實(shí)現(xiàn)了高效的可見性烘焙和逼真的陰影。實(shí)驗(yàn)表明，與現(xiàn)有方法相比，BRDF估計(jì)值和視圖渲染效果更好。然而，對(duì)於沒(méi)有明確邊界和優(yōu)化過(guò)程中需要目標(biāo)遮罩的場(chǎng)景，仍存在挑戰(zhàn)。未來(lái)的工作可以探索整合多視圖立體（MVS）線索，以提高透過(guò)3D高斯散射產(chǎn)生的點(diǎn)雲(yún)的幾何精度。這種「可靠的3D高斯」管道展示了很有前途的即時(shí)渲染功能，並透過(guò)基於點(diǎn)雲(yún)的方法為革命性地基於網(wǎng)格的圖形打開了大門，該方法允許重新照明、編輯和光線追蹤。

COMPRESSION

Fan等人介紹了一種用於壓縮渲染中使用的3D高斯表示的新技術(shù)。他們的方法根據(jù)其重要性識(shí)別並刪除冗餘高斯，類似於網(wǎng)路修剪，確保對(duì)視覺(jué)品質(zhì)的影響最小。利用知識(shí)提取和偽視圖增強(qiáng)，LightGaussian將訊息傳遞到具有較少球面諧波的較低複雜度表示，從而進(jìn)一步減少冗餘。此外，一種稱為VecTree量化的混合方案透過(guò)量化屬性值來(lái)最佳化表示，從而在精度沒(méi)有顯著損失的情況下實(shí)現(xiàn)更小的尺寸。與標(biāo)準(zhǔn)方法相比，LightGaussian實(shí)現(xiàn)了超過(guò)15倍的平均壓縮比，在Mip NeRF 360和Tanks&Temples等資料集上，渲染速度從139 FPS顯著提高到215 FPS。所涉及的關(guān)鍵步驟是計(jì)算全局顯著性、修剪高斯、用偽視圖提取知識(shí)以及使用VecTree量化屬性?？偟膩?lái)說(shuō)，LightGaussian為將基於大點(diǎn)的表示轉(zhuǎn)換為緊湊格式提供了一個(gè)突破性的解決方案，從而顯著減少了資料冗餘，並大幅提高了渲染效率。

應(yīng)用程式與案例研究

本節(jié)深入探討了自2023年7月高斯飛濺演算法問(wèn)世以來(lái)，該演算法在應(yīng)用方面的顯著進(jìn)步。這些進(jìn)步在各種領(lǐng)域都有特定的用途，如化身、SLAM、網(wǎng)格提取和物理模擬。當(dāng)應(yīng)用於這些專門的用例時(shí)，Gaussian Splatting在不同的應(yīng)用場(chǎng)景中展示了它的多功能性和有效性。

AVATARS

隨著AR/VR應(yīng)用熱潮的興起，高斯飛濺的大量研究都集中在開發(fā)人類的數(shù)位化身上。從較少的視角捕捉主題並建立3D模型是一項(xiàng)具有挑戰(zhàn)性的任務(wù)，高斯飛濺正幫助研究人員和產(chǎn)業(yè)實(shí)現(xiàn)這一目標(biāo)。

Joint angles or articulation

這種高斯散射技術(shù)專注於根據(jù)關(guān)節(jié)角度對(duì)人體進(jìn)行建模。這類模型的一些參數(shù)反映了三維關(guān)節(jié)的位置、角度和其他類似的參數(shù)。對(duì)輸入影格進(jìn)行解碼以找出目前影格的3D關(guān)節(jié)位置和角度。

Zielonka等人提出了一種使用高斯散射的人體表示模型，並利用創(chuàng)新的3D-GS技術(shù)實(shí)現(xiàn)了即時(shí)渲染。與現(xiàn)有的照片級(jí)真實(shí)感可駕駛化身不同，可駕駛3D高斯飛濺（D3GA）不依賴訓(xùn)練期間的精確3D配準(zhǔn)或測(cè)試期間的密集輸入影像。相反，它利用密集校準(zhǔn)的多視圖視訊進(jìn)行即時(shí)渲染，並引入了由關(guān)節(jié)中的關(guān)鍵點(diǎn)和角度驅(qū)動(dòng)的基於四面體籠的變形，使其對(duì)涉及通訊的應(yīng)用程式有效，如圖9所示。

Animatable

這些方法通常訓(xùn)練依賴位姿的高斯圖來(lái)捕捉複雜的動(dòng)態(tài)外觀，包括服裝中更精細(xì)的細(xì)節(jié)，從而產(chǎn)生高品質(zhì)的化身。其中一些方法還支援即時(shí)渲染功能。

薑等人提出了HiFi4G，這個(gè)方法可以有效地渲染真實(shí)的人類。 HiFi4G將3D高斯表示與非剛性追蹤結(jié)合，採(cǎi)用運(yùn)動(dòng)先驗(yàn)的對(duì)偶圖機(jī)制和具有自適應(yīng)時(shí)空正則化器的4D高斯優(yōu)化。 HiFi4G實(shí)現(xiàn)了約25倍的壓縮率，每幀需要不到2MB的儲(chǔ)存空間，在優(yōu)化速度、渲染品質(zhì)和儲(chǔ)存開銷方面表現(xiàn)出色，如圖10所示。它提出了一種緊湊的4D高斯表示，橋接高斯飛濺和非剛性追蹤。然而，對(duì)分割的依賴性、對(duì)導(dǎo)致偽影的較差分割的敏感性，以及對(duì)每幀重建和網(wǎng)格追蹤的需求都造成了限制。未來(lái)的研究可能著重於加速最佳化過(guò)程和減少GPU排序依賴性，以便在網(wǎng)路檢視器和行動(dòng)裝置上進(jìn)行更廣泛的部署。

Head based

先前的頭部化身方法大多依賴固定的顯式基元（網(wǎng)格、點(diǎn)）或隱式曲面（SDF）?；陡咚股⑸涞哪Ｐ蛯锳R/VR和基於濾鏡的應(yīng)用的興起鋪平道路，讓使用者嘗試不同的妝容、色調(diào)、髮型等。

王等人利用規(guī)範(fàn)的高斯變換來(lái)表示動(dòng)態(tài)場(chǎng)景。使用顯式「動(dòng)態(tài)」三平面作為參數(shù)化頭部幾何的有效容器，與底層幾何和三平面中的因子很好地對(duì)齊，作者獲得了正則高斯的對(duì)齊正則因子。使用微小的MLP，因子被解碼為3D高斯基元的不透明度和球面諧波係數(shù)。 Quin等人創(chuàng)造了具有可控視角、姿勢(shì)和表情的超逼真頭部化身。在化身重構(gòu)過(guò)程中，作者同時(shí)對(duì)變形模型參數(shù)和高斯splat參數(shù)進(jìn)行了最佳化。該作品展示了化身在各種具有挑戰(zhàn)性的場(chǎng)景中的動(dòng)畫能力。 Dhamo等人提出了HeadGaS，這是一種混合模型，以可學(xué)習(xí)的潛在特徵為基礎(chǔ)，擴(kuò)展了3D-GS的顯式表示。然後，這些特徵可以與來(lái)自參數(shù)化頭部模型的低維參數(shù)線性混合，以導(dǎo)出依賴表情的最終顏色和不透明度值。圖11顯示了一些範(fàn)例影像。

SLAM

SLAM是自動(dòng)駕駛汽車中使用的一種技術(shù)，用於同時(shí)建立地圖並確定車輛在該地圖內(nèi)的位置。它使車輛能夠?qū)Ш胶屠L製未知環(huán)境的地圖。顧名思義，視覺(jué)SLAM（vSLAM）依賴來(lái)自相機(jī)和各種影像感測(cè)器的影像。這種方法適用於各種相機(jī)類型，包括簡(jiǎn)單、複眼和RGB-D相機(jī)，使其成為具有成本效益的解決方案。透過(guò)相機(jī)，可以將地標(biāo)偵測(cè)與基於圖形的最佳化相結(jié)合，增強(qiáng)SLAM實(shí)現(xiàn)的靈活性。單眼SLAM是vSLAM的一個(gè)子集，使用單一相機(jī)，在深度感知方面面臨挑戰(zhàn)，這可以透過(guò)結(jié)合額外的感測(cè)器來(lái)解決，如里程計(jì)和慣性測(cè)量單元（IMU）的編碼器。與vSLAM相關(guān)的關(guān)鍵技術(shù)包括SFM、視覺(jué)里程計(jì)和束調(diào)整。視覺(jué)SLAM演算法分為兩大類：稀疏方法，採(cǎi)用特徵點(diǎn)匹配（例如，平行追蹤和映射，ORB-SLAM），密集方法，利用整體影像亮度（例如，DTAM，LSD-SLAM，DSO，SVO）。

網(wǎng)格擷取與物理

高斯散射可以用於基於物理的模擬和渲染。透過(guò)在三維高斯核中添加更多的參數(shù)，可以對(duì)速度、應(yīng)變和其他力學(xué)特性進(jìn)行建模。這就是為什麼在幾個(gè)月內(nèi)開發(fā)了各種方法，包括使用高斯散射模擬物理學(xué)。

謝等人介紹了一種基於連續(xù)體力學(xué)的三維高斯運(yùn)動(dòng)學(xué)方法，採(cǎi)用偏微分方程（PDE）來(lái)驅(qū)動(dòng)高斯核及其相關(guān)球面諧波的演化。這項(xiàng)創(chuàng)新允許使用統(tǒng)一的模擬渲染管道，透過(guò)消除對(duì)顯式目標(biāo)網(wǎng)格的需求來(lái)簡(jiǎn)化運(yùn)動(dòng)生成。他們的方法透過(guò)在各種材料上進(jìn)行全面的基準(zhǔn)測(cè)試和實(shí)驗(yàn)，展示了多功能性，在具有簡(jiǎn)單動(dòng)力學(xué)的場(chǎng)景中展示了即時(shí)性能。作者介紹了PhysGaussian，這是一個(gè)同時(shí)無(wú)縫生成基於物理的動(dòng)力學(xué)和照片逼真渲染的框架。在承認(rèn)框架中缺乏陰影演化和使用單點(diǎn)求積進(jìn)行體積積分等局限性的同時(shí)，作者提出了未來(lái)工作的途徑，包括在材料點(diǎn)法（MPM）中採(cǎi)用高階求積，並探索神經(jīng)網(wǎng)路的整合以實(shí)現(xiàn)更真實(shí)的建模。該框架可以擴(kuò)展到處理各種材料，如液體，並結(jié)合利用大型語(yǔ)言模型（LLM）進(jìn)步的使用者控制。圖13顯示了PhysGaussian框架的訓(xùn)練過(guò)程。

編輯

高斯飛濺也將翅膀擴(kuò)展到場(chǎng)景的3D編輯和點(diǎn)操縱。使用將要討論的最新進(jìn)展，甚至可以對(duì)場(chǎng)景進(jìn)行基於提示的3D編輯。這些方法不僅將場(chǎng)景表示為3D高斯圖，而且對(duì)場(chǎng)景具有語(yǔ)義和爭(zhēng)議性的理解。

Chen等人介紹了GaussianEditor，這是一種基於高斯Splatting的新型三維編輯演算法，旨在克服傳統(tǒng)三維編輯方法的局限性。雖然依賴網(wǎng)格或點(diǎn)雲(yún)的傳統(tǒng)方法難以進(jìn)行逼真的描繪，但像NeRF這樣的隱式3D表示面臨著處理速度慢和控制有限的挑戰(zhàn)。 GaussianEditor透過(guò)利用3D-GS來(lái)解決這些問(wèn)題，透過(guò)高斯語(yǔ)義追蹤增強(qiáng)精度和控制，並引入層次高斯飛濺（HGS），在生成指導(dǎo)下獲得穩(wěn)定和精細(xì)的結(jié)果。該演算法包括一種專門的3D修復(fù)方法，用於有效地去除和整合物體，在廣泛的實(shí)驗(yàn)中顯示出卓越的控制能力、功效和快速性能。圖14顯示了Chen等人測(cè)試的各種文字提示。 GaussianEditor標(biāo)誌著3D編輯的重大進(jìn)步，提供了增強(qiáng)的有效性、速度和可控性。研究的貢獻(xiàn)包括引入高斯語(yǔ)義追蹤進(jìn)行詳細(xì)編輯控制，提出HGS在生成指導(dǎo)下實(shí)現(xiàn)穩(wěn)定收斂，開發(fā)用於快速刪除和添加目標(biāo)的3D修復(fù)演算法，以及大量實(shí)驗(yàn)證明該方法優(yōu)於先前的3D編輯方法。儘管GaussianEditor取得了進(jìn)步，但它依賴於二維擴(kuò)散模型進(jìn)行有效監(jiān)督，在處理複雜提示方面存在局限性，這是基於類似模型的其他三維編輯方法面臨的共同挑戰(zhàn)。

討論

傳統(tǒng)上，3D場(chǎng)景是使用網(wǎng)格和點(diǎn)來(lái)表示的，因?yàn)樗鼈兊拿鞔_性質(zhì)以及與基於GPU/CUDA的快速光柵化的兼容性。然而，最近的進(jìn)步，如NeRF方法，專注於連續(xù)場(chǎng)景表示，採(cǎi)用了多層感知器優(yōu)化等技術(shù)，透過(guò)體積射線行進(jìn)進(jìn)行新的視圖合成。雖然連續(xù)表示有助於最佳化，但渲染所需的隨機(jī)取樣會(huì)引入昂貴的雜訊。高斯飛濺透過(guò)利用3D高斯表示進(jìn)行最佳化，實(shí)現(xiàn)最先進(jìn)的視覺(jué)品質(zhì)和有競(jìng)爭(zhēng)力的訓(xùn)練時(shí)間，彌補(bǔ)了這一差距。此外，基於瓦片的飛濺解決方案可確保即時(shí)渲染具有頂級(jí)品質(zhì)。在渲染3D場(chǎng)景時(shí)，高斯飛濺在品質(zhì)和效率方面提供了一些最佳結(jié)果。

高斯飛濺已經(jīng)發(fā)展到透過(guò)修改其原始表示來(lái)處理動(dòng)態(tài)和可變形目標(biāo)。這涉及到合併參數(shù)，例如3D位置、旋轉(zhuǎn)、縮放因子和顏色和不透明度的球面諧波係數(shù)。該領(lǐng)域的最新進(jìn)展包括引入稀疏性損失以鼓勵(lì)ba-sis軌跡共享，引入雙域變形模型以捕捉與時(shí)間相關(guān)的殘差，以及將生成器網(wǎng)路與3D高斯渲染連接起來(lái)的高斯殼映射。也努力解決非剛性追蹤、化身表情變化和高效渲染逼真人類表現(xiàn)等挑戰(zhàn)。這些進(jìn)步共同致力於在處理動(dòng)態(tài)和可變形目標(biāo)時(shí)實(shí)現(xiàn)即時(shí)渲染、優(yōu)化效率和高品質(zhì)結(jié)果。

在另一個(gè)方面，擴(kuò)散和高斯飛濺協(xié)同作用，從文字提示建立3D目標(biāo)。擴(kuò)散模型是一種神經(jīng)網(wǎng)絡(luò)，它透過(guò)一系列越來(lái)越乾淨(jìng)的影像來(lái)逆轉(zhuǎn)影像損壞的過(guò)程，從而學(xué)習(xí)從有雜訊的輸入中生成影像。在文字到三維管道中，擴(kuò)散模型根據(jù)文字描述產(chǎn)生初始三維點(diǎn)雲(yún)，然後使用高斯散射將其轉(zhuǎn)換為高斯球體。渲染的高斯球體產(chǎn)生最終的三維目標(biāo)影像。此領(lǐng)域的進(jìn)展包括使用結(jié)構(gòu)化雜訊來(lái)解決多視圖幾何挑戰(zhàn)，引入變分高斯散射模型來(lái)解決收斂問(wèn)題，以及優(yōu)化去噪分?jǐn)?shù)以增強(qiáng)擴(kuò)散先驗(yàn)，旨在實(shí)現(xiàn)基於文字的3D生成中無(wú)與倫比的真實(shí)性和性能。

高斯飛濺已被廣泛應(yīng)用於AR/VR應(yīng)用的數(shù)位化身的創(chuàng)建。這涉及從最小數(shù)量的視點(diǎn)捕捉目標(biāo)並建立3D模型。該技術(shù)已被用於建模人體關(guān)節(jié)、關(guān)節(jié)角度和其他參數(shù)，從而能夠產(chǎn)生富有表現(xiàn)力和可控的化身。這一領(lǐng)域的進(jìn)步包括開發(fā)捕捉高頻面部細(xì)節(jié)、保留誇張表情和有效變形化身的方法。此外，還提出了混合模型，將明確表示與可學(xué)習(xí)的潛在特徵相結(jié)合，以實(shí)現(xiàn)與表達(dá)相關(guān)的最終顏色和不透明度值。這些進(jìn)步旨在增強(qiáng)生成的3D模型的幾何形狀和紋理，以滿足AR/VR應(yīng)用中對(duì)逼真和可控化身日益增長(zhǎng)的需求。

Gaussian Splatting也在SLAM中找到了多功能的應(yīng)用，在GPU上提供即時(shí)追蹤和建圖功能。透過(guò)使用3D高斯表示和可微分的飛濺光柵化管道，它實(shí)現(xiàn)了真實(shí)世界和合成場(chǎng)景的快速和真實(shí)感渲染。該技術(shù)擴(kuò)展到網(wǎng)格提取和基於物理的模擬，允許在沒(méi)有明確目標(biāo)網(wǎng)格的情況下對(duì)機(jī)械特性進(jìn)行建模。連續(xù)介質(zhì)力學(xué)和偏微分方程的進(jìn)步使高斯核得以進(jìn)化，簡(jiǎn)化了運(yùn)動(dòng)生成。值得注意的是，最佳化涉及高效的資料結(jié)構(gòu)，如OpenVDB、用於對(duì)齊的正則化項(xiàng)和用於減少誤差的物理啟發(fā)項(xiàng)，從而提高了整體效率和準(zhǔn)確性。在壓縮和提高高斯散射渲染效率方面也做了其他工作。

比較

從表2可以清楚看出，在撰寫本文時(shí)，高斯飛濺是最接近即時(shí)渲染和動(dòng)態(tài)場(chǎng)景表示的選項(xiàng)。佔(zhàn)用網(wǎng)路根本不是為NVS用例量身訂做的。攝影測(cè)量是創(chuàng)建具有強(qiáng)烈背景感的高度準(zhǔn)確和逼真的模型的理想選擇。 NeRF擅長(zhǎng)產(chǎn)生新穎的視野和逼真的照明效果，提供創(chuàng)作自由和處理複雜場(chǎng)景。高斯飛濺在其實(shí)時(shí)渲染功能和互動(dòng)式探索方面大放異彩，使其適用於動(dòng)態(tài)應(yīng)用程式。每種方法都有其利基市場(chǎng)，並相互補(bǔ)充，為3D重建和視覺(jué)化提供了各種各樣的工具。

挑戰(zhàn)與限制

儘管高斯飛濺是一種非常穩(wěn)健的技術(shù)，但它也有一些需要注意的地方。其中一些列出如下：

• 1）計(jì)算複雜度：高斯散射需要對(duì)每個(gè)像素的高斯函數(shù)進(jìn)行評(píng)估，這可能是計(jì)算密集型的，尤其是在處理大量點(diǎn)或粒子時(shí)。
• 2）記憶體使用：儲(chǔ)存高斯飛濺的中間結(jié)果，例如每個(gè)點(diǎn)對(duì)相鄰像素的加權(quán)貢獻(xiàn)，可能會(huì)消耗大量記憶體。
• 3）邊緣偽影：高斯散射會(huì)在影像的邊緣或高對(duì)比區(qū)域附近產(chǎn)生不想要的偽影，如振鈴或模糊。
• 4）效能與準(zhǔn)確性的權(quán)衡：實(shí)現(xiàn)高品質(zhì)的結(jié)果可能需要使用大的核心大小或評(píng)估每個(gè)像素的多個(gè)高斯函數(shù)，這會(huì)影響效能。
• 5）與其他渲染技術(shù)的整合：在保持效能和視覺(jué)連貫性的同時(shí)，將高斯散射與陰影貼圖或環(huán)境遮蔽等其他技術(shù)整合可能會(huì)很複雜。

未來(lái)方向

即時(shí)3D重建技術(shù)將實(shí)現(xiàn)電腦圖形學(xué)和相關(guān)領(lǐng)域的多種功能，例如即時(shí)互動(dòng)探索3D場(chǎng)景或模型，透過(guò)即時(shí)回饋操縱視點(diǎn)和目標(biāo)。它還可以即時(shí)渲染具有移動(dòng)目標(biāo)或不斷變化的環(huán)境的動(dòng)態(tài)場(chǎng)景，增強(qiáng)真實(shí)感和沈浸感。即時(shí)3D重建可用於模擬和訓(xùn)練環(huán)境，為汽車、航空航太和醫(yī)學(xué)等領(lǐng)域的虛擬場(chǎng)景提供逼真的視覺(jué)回饋。它還將支援沉浸式AR和VR體驗(yàn)的即時(shí)渲染，用戶可以即時(shí)與虛擬目標(biāo)或環(huán)境互動(dòng)。整體而言，即時(shí)高斯飛濺增強(qiáng)了電腦圖形、視覺(jué)化、模擬和沈浸式技術(shù)中各種應(yīng)用的效率、互動(dòng)性和真實(shí)性。

結(jié)論

在本文中，我們討論了與用於三維重建和新視圖合成的高斯散射相關(guān)的各種功能和應(yīng)用方面。它涵蓋了動(dòng)態(tài)和變形建模、運(yùn)動(dòng)追蹤、非剛性/可變形目標(biāo)、表情/情緒變化、基於文字的生成擴(kuò)散、去噪、優(yōu)化、化身、可動(dòng)畫目標(biāo)、基於頭部的建模、同步定位和規(guī)劃、網(wǎng)格提取和物理、最佳化技術(shù)、編輯功能、渲染方法、壓縮等主題。

具體而言，本文深入探討了基於影像的3D重建的挑戰(zhàn)和進(jìn)展，基於學(xué)習(xí)的方法在改進(jìn)3D形狀估計(jì)中的作用，以及高斯飛濺技術(shù)在處理動(dòng)態(tài)場(chǎng)景、互動(dòng)式目標(biāo)操作、3D分割和場(chǎng)景編輯中的潛在應(yīng)用和未來(lái)方向。

高斯飛濺在不同領(lǐng)域具有變革意義，包括電腦生成圖像、VR/AR、機(jī)器人、電影和動(dòng)畫、汽車設(shè)計(jì)、零售、環(huán)境研究和航空航天應(yīng)用。然而，值得注意的是，與NeRFs等其他方法相比，高斯散射在實(shí)現(xiàn)真實(shí)感方面可能存在局限性。此外，還應(yīng)考慮與過(guò)擬合、計(jì)算資源和渲染品質(zhì)限制相關(guān)的挑戰(zhàn)。儘管有這些局限性，但高斯散射的持續(xù)研究和進(jìn)步仍在繼續(xù)解決這些挑戰(zhàn)，並進(jìn)一步提高該方法的有效性和適用性。