3D Gaussian Splatting
2023年后迅速崛起的实时3D渲染技术方案，以极快渲染速度和出色视觉质量著称，大幅降低了实时交互式场景的技术门槛
核心事实
时间轴 (近 90 天)
VisibilitySplat 提出了一种保留光栅化 3DGS 高效训练与可视化链路、额外挂一个稀疏可见性'神谕'来处理遮挡查询的方法。
3DGS 使用光栅化 splatting，不同高斯原语之间的互相遮挡没有显式建模。
3DGS刻画的是某一时刻的静态几何与外观，本身不含时间维度，要让场景动起来需引入随时间变化的形变或额外的4D表示。
SplatQ是一种在固定预算下协调区域预算分配与联合高斯选择的组合优化剪枝算法，用于3D高斯泼溅（3DGS）的剪枝
相比NeRF需要密集射线行进采样，3DGS采用光栅化流程更适合GPU并行，能达到实时帧率
全局Top-K剪枝存在缺乏区域预算控制和忽略联合删除效应两个结构性缺陷
现有主流3DGS剪枝方法大多为每个高斯分配独立重要性分数并进行全局Top-K筛选
3DGS相比NeRF的体积渲染速度快一到两个数量级，且质量相当
传统3DGS依赖完整的SfM点云做初始化，无法直接适用于增量式在线场景
AI 分身技术的主流路径分为基于扩散模型的图像动态化和基于 NeRF 或 3D Gaussian Splatting 的三维重建两类
还有 15 条时间轴事件
全部知识事实 (20)
NeRF（神经辐射场）及其后继者Gaussian Splatting能够从2D图像重建可任意视角漫游的三维场景
80%已验证3D Gaussian Splatting（3DGS）于2023年由法国INRIA团队提出，相比NeRF在渲染速度上提升了数十倍，同时保持了接近的画质水准
80%已验证3D Gaussian Splatting于2023年将神经渲染速度提升至实时水平
75%已验证3DGS用数百万个带有位置、协方差矩阵、颜色（球谐系数）和不透明度属性的三维高斯椭球体来显式表示场景
65%已验证3D Gaussian Splatting以显式高斯球为基本单元，渲染速度大幅提升，近年在实时应用中迅速普及
65%待验证相比NeRF，3DGS训练速度快数倍至十倍以上，实时渲染帧率可达数十至数百FPS，且场景可直接导出为点云资产
60%待验证神经渲染技术路线以NeRF（神经辐射场）和3D Gaussian Splatting为代表，有望绕开传统多边形建模的工业流水线
60%待验证VisibilitySplat 提出了一种保留光栅化 3DGS 高效训练与可视化链路、额外挂一个稀疏可见性'神谕'来处理遮挡查询的方法。
50%待验证3DGS 使用光栅化 splatting，不同高斯原语之间的互相遮挡没有显式建模。
50%待验证3DGS刻画的是某一时刻的静态几何与外观，本身不含时间维度，要让场景动起来需引入随时间变化的形变或额外的4D表示。
50%待验证全局Top-K剪枝存在缺乏区域预算控制和忽略联合删除效应两个结构性缺陷
50%待验证相比NeRF需要密集射线行进采样，3DGS采用光栅化流程更适合GPU并行，能达到实时帧率
50%待验证现有主流3DGS剪枝方法大多为每个高斯分配独立重要性分数并进行全局Top-K筛选
50%待验证SplatQ是一种在固定预算下协调区域预算分配与联合高斯选择的组合优化剪枝算法，用于3D高斯泼溅（3DGS）的剪枝
50%待验证3DGS相比NeRF的体积渲染速度快一到两个数量级，且质量相当
50%待验证传统3DGS依赖完整的SfM点云做初始化，无法直接适用于增量式在线场景
50%待验证AI 分身技术的主流路径分为基于扩散模型的图像动态化和基于 NeRF 或 3D Gaussian Splatting 的三维重建两类
50%待验证一个典型3DGS场景往往需要数百万乃至数千万个高斯体，单场景存储可达数百MB
50%待验证3D Gaussian Splatting（3DGS）是2023年提出的一种实时神经场景渲染方法，用大量三维高斯椭球体表示场景的几何与外观
50%待验证现有3DGS技术路线普遍把场景中每个元素视为唯一存在，存储大量冗余参数，为下游编辑任务提供的操控能力很弱
50%