高斯视界：校园数字孪生
技术架构与实现原理

1. 技术演进与历史背景

在三维重建（3D Reconstruction）领域，长久以来存在着“速度”与“质量”的博弈。传统的多视图几何（MVS/Photogrammetry）技术成熟，但生成的网格（Mesh）难以表现复杂结构。2020年，神经辐射场（NeRF）的出现震惊了学界，它利用神经网络实现了照片级的视图合成，但其“隐式表达”导致推理速度极慢，动辄需要数秒渲染一帧，无法应用于实时交互。

3D Gaussian Splatting 是由 Kerbl 等人在 SIGGRAPH 2023 提出的里程碑式技术。它创造性地结合了 NeRF 的高质量与传统光栅化的极速。它放弃了神经网络的黑盒计算，回归到“显式点云”表达，并通过“高斯球抛雪球（Splatting）”算法，实现了 1080p 分辨率下的 100fps+ 实时渲染。这是目前唯一能在 Web 端同时实现照片级画质与实时帧率的技术方案。

2. 为什么校园场景必须用 3DGS？

在本项目立项之初，我们对比了传统倾斜摄影建模。校园环境具有两个显著特征，这正是传统技术的“死穴”：

• 复杂的植被结构： 校园内植被茂密。传统 Mesh 建模必须构建闭合的三角面，面对树叶这种离散、细碎的结构，算法会强行将其“粘连”成一团糊状的块状物，看起来像融化的塑料，完全失去了树木的通透感。
• 非朗伯体表面（Non-Lambertian）： 图书馆、尚美楼存在大量玻璃幕墙。传统贴图是“烘焙（Baking）”上去的静态图片，无论从哪个角度看，反光都是死的。而 3DGS 携带球谐函数（SH Coefficients），能够计算出随观察视角变化的各向异性颜色，真实还原玻璃反光和金属高光。

3. 数学直觉与底层原理

3DGS 将场景表示为数百万个各向异性的 3D 高斯椭球。每个高斯球由以下参数定义：

• 位置 (Position $\mu$)： 椭球在空间中的 XYZ 坐标。
• 协方差矩阵 (Covariance $\Sigma$)： 决定了椭球的形状（长短轴）和旋转方向。
• 不透明度 (Opacity $\alpha$)： 决定了该点的透明程度。
• 球谐系数 (SH)： 存储颜色的频率信息，用于计算随视角变化的 RGB 值。

渲染时，这些 3D 椭球被投影到 2D 屏幕平面（Splatting），然后根据深度进行排序，最后通过 Alpha Blending 公式叠加出最终像素颜色。这种计算过程完全可以并行化，极度适合 GPU 加速。

轻量化底层设计与开源致谢

为了在网页端实现极致的加载速度，本项目摒弃了 Three.js 等庞大的通用引擎，采用了基于 原生 WebGL 2 API 的底层开发方案。核心架构参考了 Antimatter15/splat 的开源实现，并针对校园场景进行了深度定制。

关键性能优化技术

• 硬件实例化 (Hardware Instancing)： 并没有为每个高斯球生成网格。我们仅定义了一个包含 4 个顶点的简单矩形 (Quad)，通过 gl.drawArraysInstanced 一次性通知 GPU 绘制数百万个实例，每个实例代表一个高斯点。
• 数据纹理化 (Data-to-Texture)： 为了绕过 WebGL 属性数量限制，高斯点的属性（位置、旋转、缩放、颜色）被打包成一张巨大的 2D 纹理 (u_texture)。Shader 使用 texelFetch 通过位运算从纹理中“精准狙击”读取数据。
• Web Worker 多线程排序： 透明度混合要求严格的“从远到近”绘制。我们将繁重的 CPU 排序任务（计数排序变体）剥离至 Web Worker 线程，计算排序后的索引 (depthIndex) 并回传，确保主线程 UI 不冻结。