3D高斯泼溅技术：深度优先范式与几何优化

1. 前馈式3D Gaussian Splatting的几何优先转向：深度优先范式解析

在三维重建领域，3D Gaussian Splatting（3DGS）技术近年来取得了显著进展。早期基于像素对齐特征的方法虽然实现了3DGS的前馈预测，但存在几何定位不稳定的核心问题。随着MVSplat、DepthSplat等工作的推进，研究重点已转向将高斯中心预测重构为深度估计问题，这种转变揭示了前馈式3DGS发展的关键路径。

1.1 从像素特征到几何优先的范式转变

传统前馈式3DGS（路线一）的核心思想是从像素特征直接预测3D高斯分布。这种方法虽然证明了3DGS可以脱离逐场景优化，进入可训练的前馈框架，但其几何定位主要依赖局部像素特征，存在结构性局限：

• 遮挡场景下可见性不完整
• 低纹理区域匹配证据薄弱
• 镜面或重复纹理产生歧义
• 宽基线场景中单视图证据易漂移

MVSplat首次明确将高斯中心定位问题重构为深度估计任务，通过平面扫描（plane-sweeping）构建代价体积（cost volume），利用多视图几何约束来稳定中心预测。这种转变不是简单的模块添加，而是问题表述方式的根本改变。

数学上，传统方法将中心预测表示为：
p(μ|u,I,P), μ∼p(·)
其中u是参考像素，I是输入图像集合，P是位姿集合。这种表述的问题在于，虽然输出空间是3D，但推理机制缺乏强几何约束。

1.2 深度作为中间变量的必要性

几何优先路线（路线二）将中心预测分解为两个明确步骤：

1. 深度估计：d = D(I,P)
2. 几何反投影：μ = π⁻¹(u,d;K,T)

这种分解具有多重优势：

• 深度是连接2D观测与3D位置的自然中间变量
• 多视图几何约束变得显式且可解释
• 错误来源更容易诊断和修正
• 可以引入各种深度先验和增强技术

实验表明，在DTU数据集上，几何优先方法相比纯像素对齐方法在重建完整性上提升约23%，在复杂场景的几何一致性上提升约35%。

1.3 几何优先路线的关键技术演进

路线二的发展呈现清晰的递进关系：