把一整座城市装进显存、训练得完、还能 60 FPS 实时漫游 — 这是过去三年 所有 Large-Scale 3DGS 工作共同想解决的痛。 本文从 Kerbl 等人 2023 年的原始论文一路讲到 2026 年最新前沿， 尽量讲清每篇文章 一句话的关键想法 与 它跟前一代的区别。
预设读者：会基本的 NeRF、SDF、机器学习、微积分、线性代数。 不会 3DGS 也没关系——我们从头讲。
没碰过 3DGS：从 §1 顺序读到 §4，做完前两个交互 demo，再选你感兴趣的"族"（分块 / 层级 / 驾驶 / 航拍 / 前沿）跳读。 已经熟悉原始 3DGS：直接从 §10 VastGaussian 开始； 想看最近一年的新东西：跳到 第七部 · Frontier。
2023 年 7 月，Inria 的 Kerbl, Kopanas, Leimkühler, Drettakis 在 SIGGRAPH 发表 了 3D Gaussian Splatting for Real-Time Radiance Field Rendering。 它用了一个让人觉得"怎么没人早点试"的简单想法：
把场景表示成几百万个三维高斯椭球，每个椭球记下它的位置、形 状（协方差）、不透明度、颜色（用球谐函数表示视角依赖）；渲染时把每个椭球 溅射 (splat) 到屏幕上做 alpha 合成。
对比 NeRF：NeRF 是隐式的——一个 MLP 接受 $(x, y, z, \theta, \phi)$ 返回颜色和密度，渲染时沿射线采 64–256 次。3DGS 是显式的—— 场景就是一堆点状的原语 (primitive)，每个原语自己说明自己长什么样，渲染时 把每个原语一次性映射到屏幕。这两种方式数学上算的是同一个积分 （体渲染方程的离散化），但显式表示让 GPU 能做光栅化式的并行，而不是逐像素 逐采样点串行 MLP 查询。
| 属性 | 含义 | 大小 |
|---|---|---|
| 位置 $\boldsymbol{\mu} \in \mathbb{R}^3$ | 椭球中心 | 3 floats |
| 四元数 $q$ | 旋转（保证协方差对称正定） | 4 floats |
| 缩放 $s$ | 三个主轴的长度 | 3 floats |
| 不透明度 $o \in [0,1]$ | 椭球中心处的不透明度 | 1 float |
| 球谐系数 (degree 3) | 视角依赖颜色，$16$ 个基 $\times$ 3 通道 | 48 floats |
合计 59 个 float，padding 后约 256 字节。这条 ~256 B / Gaussian 的经验值后面会反复出现：一个城市 reconstruct 出几千万个 Gaussian， 显存就直接爆。
协方差不是直接学一个 $3\times 3$ 矩阵——那样很容易学出非正定的。而是分解：
$$ \Sigma = R(q) \, S \, S^\top R(q)^\top, \quad S = \mathrm{diag}(s_x, s_y, s_z) $$$R(q)$ 是单位四元数对应的旋转矩阵。这样优化的永远是 $q$ 和 $s$， 得到的 $\Sigma$ 结构上就一定是对称正定的。
3DGS 的图像形成模型，本质上跟 NeRF 一模一样—— alpha 合成的体渲染方程：
$$ C(\mathbf{x}) = \sum_{i \in \mathcal{N}} c_i \, \alpha_i \prod_{j=1}^{i-1} (1 - \alpha_j) $$$\mathcal{N}$ 是按深度从近到远排好序的、覆盖到当前像素的 Gaussian 集合， $c_i$ 是 Gaussian $i$ 的视角相关颜色，$\alpha_i$ 是这个像素处 Gaussian $i$ 的有效不透明度：
$$ \alpha_i = o_i \cdot \exp\!\left( -\tfrac{1}{2} (\mathbf{x} - \boldsymbol{\mu}_i')^\top {\Sigma_i'}^{-1} (\mathbf{x} - \boldsymbol{\mu}_i') \right) $$$\boldsymbol{\mu}_i'$ 是 3D 中心投影到 2D 像素坐标后的位置， $\Sigma_i'$ 是 3D 协方差在 2D 上的"投影"协方差。 关键问题：3D 椭球投影到 2D 之后，新的 2D 协方差是什么？ 这就是 EWA splatting (Zwicker et al. 2001)：
$$ \Sigma' = J \, W \, \Sigma \, W^\top J^\top $$其中 $W$ 是世界到相机的旋转，$J$ 是透视投影在 $\boldsymbol{\mu}$ 附近的 线性化雅可比。直观说：透视投影是非线性的，但 Gaussian 的 $3\sigma$ 范围通常很小，局部线性化就够准了。$J W \Sigma W^\top J^\top$ 得到一个 $3\times 3$ 矩阵，丢掉第三行第三列，剩下 $2\times 2$ 就是屏幕上的椭圆。
把一个橡皮球往墙上拍——球碰到墙的瞬间会被压扁成一个椭圆。EWA 做的事一 模一样：相机平面就是那堵"墙"，$J W \Sigma W^\top J^\top$ 就是描述那个被 压扁的椭圆有多宽多扁。
这是 3DGS 算法在教学上最少的代码——不为性能，只为讲清楚：
# One Gaussian g, one pixel x, given camera (W, K, t) and view direction d.
def render_one_gaussian_one_pixel(g, x, W, K, t, d, T_prev, C_prev):
# 1. Project the 3D mean to image space.
mu_cam = W @ g.mu + t # (3,)
mu_img = (K @ mu_cam)[:2] / mu_cam[2] # (2,) perspective divide
# 2. Build the 3D covariance from (q, s), then project via EWA.
R = quat_to_rotmat(g.q) # (3, 3)
S = torch.diag(g.s) # (3, 3)
Sigma3D = R @ S @ S.T @ R.T # PSD by construction
J = perspective_jacobian(mu_cam, K) # (2, 3) linearization of perspective
Sigma2D = J @ W[:3,:3] @ Sigma3D @ W[:3,:3].T @ J.T
# 3. Evaluate the 2D Gaussian at this pixel.
delta = x - mu_img
power = -0.5 * delta @ torch.inverse(Sigma2D) @ delta
alpha = g.opacity * torch.exp(power) # effective opacity
# 4. View-dependent color, then front-to-back alpha compositing.
c = eval_sh(g.sh_coeffs, d) # (3,)
C_new = C_prev + T_prev * alpha * c
T_new = T_prev * (1.0 - alpha)
return C_new, T_new实际实现做了三层关键的优化：(1) 屏幕分成 $16\times 16$ 的 tile， 每个 Gaussian 只参与它$3\sigma$ 椭圆能碰到的 tile； (2) 全图一次 GPU radix sort， 排序 key = `tile_id | depth`，所以每个 tile 内自然就是从近到远了； (3) 每个 tile 把它的 Gaussian 列表加载到 shared memory， 线程组内大家共用，访存只读一次。
| NeRF | 3DGS | |
|---|---|---|
| 每像素工作量 | 64–256 次 MLP 查询 | 访问 ~10–100 个 Gaussian 的列表项 |
| 瓶颈 | compute (MLP forward) | memory bandwidth (排序 + 合成) |
| 并行粒度 | per-ray, per-sample | per-tile（千百个像素共享一份排好序的列表） |
| 典型 $800\times 800$ PSNR / FPS | ~30 / 0.06 | ~30 / 100+ |
把这句话刻在脑子里：NeRF 用计算换显存（隐式 MLP 很小）， 3DGS 用显存换计算（几百万个原语很大）。 这一权衡决定了——大场景下 3DGS 的痛全在显存那一侧。
接下来这四条痛，是第二、三、四、五、六、七部所有论文都在 尝试缓解的。请把它们记下来。
一个市区 reconstruct 出来轻轻松松上千万个 Gaussian， $10^7 \times 256\text{B} = 2.5\text{GB}$ 只是参数； 加上梯度、Adam 的一阶二阶矩、tile buffer，乘 4 就是 10 GB+。 一个完整城市需要的 Gaussian 数会到 $10^8$ – $10^9$，单卡彻底装不下。
原版 3DGS 用一个简单启发式：累计屏幕空间梯度超过阈值就 split / clone。 这个阈值是为单物体调出来的；一到城市级， 地面纹理和树叶会触发雪崩式的克隆， Gaussian 数量超线性增长， 训练还没收敛显存就 OOM。
一座城市的 5000 张照片可能跨越几小时、几天、几季节、几个相机、 不同曝光。单个 Gaussian 的 SH 系数无法同时拟合 "晴天上午的墙"和"阴天傍晚的同一面墙"， 优化器只能取平均，出来一片"奶油色雾霾"。
一个像素如果对应 2 km 外的摩天楼楼顶， 传统 3DGS 还是要把那块楼顶里上千个亚像素小高斯 全部排序、全部合成——成本和近景一样。 Mesh 渲染早就有 mipmap / LOD 了， 3DGS 出生时却没有这一层。
原版 3DGS 让每个 Gaussian 自由漂浮，产生大量冗余原语，且对视角与光照变化 脆弱——这在大场景里是致命的。
关键想法：把场景体素化成稀疏的锚点 (anchor) 网格，每个锚点持有一组"待生成"的 Gaussian。渲染时， 一个小 MLP 根据视角方向、视距， 动态预测这些 Gaussian 的位置偏移、不透明度、协方差、颜色。 锚点本身在训练中根据"贡献度"加密 / 修剪。
Scaffold-GS 是几乎所有后续大场景工作的结构性脚手架： Octree-GS、LoG、CityGS-X 都在它的"锚点 + 解码器"模板上做拓展。
缩放或换焦距时，原版 3DGS 会出现严重锯齿——飞越城市时镜头从特写拉到全景， 画面会"沸腾"。
关键想法：参照经典 mipmap，给每个 Gaussian 加两个滤波器：
数学上是 EWA splatting 论文里被遗忘了二十年的另一半（pre-filter） 被翻出来重新拼回来。在大场景里这块尤其重要—— 任何 LoD 工作都必须先解决锯齿，否则切层时会看见跳变。
原版稠密化用的是带符号的视角空间梯度——一个 Gaussian 被左右两次视角推向相反方向，梯度会相互抵消， 本该被切分的大模糊 Gaussian 反而留下了。这就是论文说的 gradient collision。
关键想法：改用同向 (absolute / homodirectional) 的梯度作为切分阈值。这一字之差，让大场景里的"奶油色雾霾"消失了一大半。
关键想法：在累加每个视角对稠密化梯度的贡献时， 按该视角下 Gaussian 投影占的像素面积加权。 覆盖面积大的视角说话声音大、覆盖面积小的小声—— 这刚好解决了航拍 / 城市场景里 SfM 点云稀疏导致的"针状 / 块状伪影"。
把 AbsGS 和 Pixel-GS 一起记住：它们是所有大场景论文默认开启 的"稠密化补丁"，地位类似 ResNet 里的 BN。
3D 椭球是"体"，不是"面"：从不同视角看同一面墙，3D Gaussian 给出的深度 会跳变（因为它们是云状的）。城市里的地面、屋顶、玻璃面都是明确 的面，体积 Gaussian 重建它们既浪费又不精确。
关键想法：把 3D 椭球换成 2D 椭圆盘 (planar disk)， 每个 disk 有自己的法向。渲染时不再是 EWA splatting， 而是 ray-disk 求交。直接出 sharper 的几何 + 多视角一致的深度。
后面 CityGaussianV2 把基元从 3DGS 换到 2DGS， 城市表面立刻干净一截——这是 2DGS 在大场景里第一次发力。
三件事一起做：
它本身不是为大场景设计的，但它就是大场景的部署武器—— Hierarchical-3DGS、CityGaussian 出来的几十 GB 模型，配 LightGaussian 之后 才进得了浏览器、进得了手机。
单卡训不下 / appearance 漂移。
关键想法：第一篇真正意义上的城市级 3DGS。 它做了两件事，从此成为整个分块流派的模板：
VastGaussian 是后续所有分块工作（DOGS, CityGaussian, BlockGaussian, LoBE-GS …）的祖师爷。如果你只读一篇分块论文，就读这篇。
VastGaussian 训得动了，但渲染城市的时候还是慢—— 没有 LoD，远处的小细节也得整本字典翻一遍。
关键想法：训练阶段先训一个粗粒度的全局先验 （低分辨率 Gaussian 集合），然后用它指导每个 block 的精细化训练； 渲染阶段每个 block 自带一个压缩的 LoD 金字塔， 根据视角距离即时挑层。结果：实时帧率穿越城市，质量不掉。
VastGaussian = "训得下"。CityGaussian = "训得下 + 跑得起"。 第一次让"实时城市漫游"和"高保真 3DGS"在同一个工作里出现。
VastGaussian 各 block 独立训练完拼回去时——块的接缝处 色彩、几何不一致，肉眼可见。
关键想法：借用经典分布式优化里的 ADMM (Alternating Direction Method of Multipliers)。 每个 block 是一个 worker，对自己持有的 Gaussian 做局部更新； 一个 master 持有"全局共识"Gaussian；每隔几步， worker 的 Gaussian 和 master 共识做 ADMM 一步更新， 乘上拉格朗日乘子收敛到一致。
数学上看，DOGS 把原本的训练目标 $\min \sum_k f_k(\theta_k)$ 重写成有共识约束的形式 $\min \sum_k f_k(\theta_k)\ \text{s.t.}\ \theta_k = z$， 然后用增广拉格朗日量
$$ \mathcal{L}_\rho = \sum_k f_k(\theta_k) + \lambda_k^\top (\theta_k - z) + \tfrac{\rho}{2} \|\theta_k - z\|^2 $$交替优化 $\theta_k$、$z$、$\lambda_k$。 这给了块并行训练第一个收敛性保证。
VastGaussian: 切块 → 各训各的 → 直接拼。DOGS: 切块 → 各训各的 同时定期跟 master 对齐 → 拼回去就是一致的。提速 ~6×。
关键想法：跟 DOGS / VastGaussian 是正交的方向 ——不切场景，而是把训练系统本身改造成多 GPU 协作的： Gaussian-wise 切分（每张卡管一部分 Gaussian）+ pixel-wise 切分 （每张卡渲染一部分像素），用稀疏 all-to-all 通信交换数据； 动态负载均衡 + 多视角 batch + sqrt-batch LR rule。
VastGaussian 用"空间切"，Grendel 用"系统切"。一个分块、一个分卡—— 这是大场景训练的两个正交轴。
DOGS 解决了块间一致性，但仍把块数等于 GPU 数当成默认假设 ——块多了 GPU 不够；块少了每块太大。
关键想法：借用 MoCo / BYOL 那一套 动量更新的教师：一个由所有 student blocks 的指数滑动平均 维护的"teacher Gaussian decoder"，在训练中持续地把 全局信号蒸馏给每个块的 student decoder。 加上"按重建准确度加权各块"，让块数和 GPU 数彻底解耦。
DOGS 用 ADMM 写硬约束达成共识；Momentum-GS 用自蒸馏做软约束达成共识。 硬约束保证收敛，软约束更工程友好。
无人机俯拍 + 街上手持拍同一个城区， 两套照片在尺度、视角、覆盖密度上差异巨大。 分开训得两个不一致的 3DGS，合起来训直接发散。
关键想法：粗→精两阶段——先用航拍图建立空间骨架， 再喂入街景图精细化建筑立面 / 行人尺度细节， 通过精心设计的 anchor sharing + 渐进式分辨率提升让两个视图域在同一个 模型里收敛。配套发布了"aerial-to-ground"数据集。
固定网格分块在空旷区域浪费容量， 在密集区域又训不下。
关键想法：根据 SfM 点密度让 block 大小自适应 （密集处小 block、空旷处大 block）， 再加上 visibility-aware per-block 优化。 24 GB 单卡上能跑、训练 5× 加速。
关键想法：把 CityGaussian 的基元从 3DGS 换成 2DGS， 并加入 decomposed-gradient densification + depth regression。 训练时间 -25 %、显存 -50 %，且道路和建筑表面更锐利。 把 §11 + §8 的优势拼到一起。
分块训练最大的隐藏问题：块大小不均匀。 一个市中心 block 200 万 Gaussian，一个郊区 block 20 万—— GPU wall-time 是被市中心那块定死的。
关键想法：用可见 Gaussian 数而不是空间面积 作为负载代理；用深度感知分块 + 优化驱动的块大小调整把负载抹平。 preprocess 从几小时降到几分钟，端到端 ~2× 加速。
"切→各自训→拼"流程里，那个 拼 步骤本身就是个噩梦：边界 Gaussian 要重新对齐、损失曲线得重新平滑、整体得再 fine-tune。
关键想法：直接把全场景表达成一个 分层稀疏 voxel + Gaussian 混合表达， 多 GPU 在同一份共享层级表达上并行训练 —— 跳过 merge。 5000+ 张图的场景 4× RTX 4090 上 5 小时就训完。
跟 VastGaussian 一路的"切分思路"分了岔——CityGS-X 论证： 与其想办法拼，不如根本别切。
原班 Inria 团队回来正面回答：几万张照片的多公里场景，怎么训、怎么渲。
关键想法：先把场景切成 chunk，每个 chunk 单独训出一片 3DGS， 然后逐对合并 (merge as you go)： 两片邻接 Gaussian 集合用一个轻量准则合并成更粗的一层； 上层 Gaussian 接管远距离视角的渲染，下层只在近距离激活。 渲染时根据相机距离做平滑过渡 (smooth LoD blending)。
第一次把"金字塔 LoD"这件 mesh / texture 里的老传统系统地 带进 3DGS。VastGaussian 让大场景"训得下"，H-3DGS 让大场景"渲得快又好"。
关键想法：把 Scaffold-GS 的锚点组织成一棵 八叉树。每一层节点持有一组锚点， 上层节点的锚点解码出"粗 Gaussian"，下层解码出"细 Gaussian"。 渲染时根据每根光线的视距挑选合适的树层， 实现 LoD 同时保持 Scaffold-GS 那套"MLP 即时生成 Gaussian"的可压缩性。 扩展版 Octree-AnyGS 把同样的八叉树骨架推广到 2DGS / Scaffold-GS / 3DGS 任一基元。
H-3DGS：合并出来的 LoD（自下而上）。Octree-GS：先建八叉树（自上而下）。 两条路通同一个目标。
关键想法：跟 Octree-GS 同期但更"暴力"： 维护一棵树，每个节点直接持有自己的 Gaussian， 粗到细 渐进训练——先训上层， 上层稳定了再展开下一层， 端到端可微地学到一个层级。 单卡 RTX 4090 训百万平方米的城市。
关键想法：训练完的大场景 H-3DGS / CityGaussian 模型 在渲染时还是装不进手机 GPU。 LODGE 在已有大场景模型上构建一个后处理 LoD： depth-aware 3D 平滑滤波 + 重要度剪枝 + 逐层 fine-tune； 再加一个"相机距离感知"的 Gaussian 子集挑选器， 在内存受限设备上实时渲染。
关键想法：直接套用 OS 里的虚拟内存 / virtual texturing 思想：把所有 Gaussian 放在主存（甚至 SSD）， 根据当前视角识别"可见的 Gaussian 页"按需 (just-in-time) 流式上传到 GPU。
LoD 是算法上不渲染远处细节；virtual memory 是系统上 根本就不让它在显存里待着。两者互补。
关键想法：在 Scaffold/Octree 类结构上加入显式的遮挡 先验：训练时用 proxy 几何（粗 mesh / voxel）判断哪些锚点被遮， 把它们的 loss 降权；推理时直接剪掉被遮的 LoD 分支。 在大场景上比 Octree-GS 快 2.5× 且质量更好。
城市级模型放在 4K 屏幕上拉近看，依然会"沸腾"。 Mip-Splatting 是为单物体设计的下限——城市级有自己的失败模式。
关键想法：金字塔多尺度监督（粗到细每一层都算 loss）+ 一条物理下限的 Gaussian 最小尺寸约束 （根据采样定理 + 物理像素 footprint 推导），杀掉退化的亚像素 splat。 在 MatrixCity / Mill-19 / UrbanScene3D 4K 上 +1.5 dB PSNR。
城市级场景的特例：自动驾驶数据。车、行人、自行车都在动。 把它们当作静态 Gaussian 来重建就糊了。
关键想法：把场景拆成静态背景 Gaussian + 每个动态 物体一组 Gaussian，物体 Gaussian 跟着可优化的 6DoF 轨迹一起跑， 颜色用 4D 球谐（加一个时间维）表示。$1066\times 1600$ 下 135 FPS。
关键想法：增量式静态背景 + 动态 Gaussian Graph （每个 actor 一个节点）；用 LiDAR 点云做几何先验 anchor。 环视六相机一起喂进同一个模型。
StreetGaussians 主打"前向 + 后向单线相机"；DrivingGaussian 主打 "环视 + LiDAR"——是面向真实自动驾驶系统的更全栈版本。
前两篇驾驶 3DGS 把"动态物体"狭义地等同为"车"。行人、自行车手、推婴儿车的人 都是非刚体。
关键想法：把场景建模成 Gaussian 上的场景图， 每个节点对应一个 actor 类型， 刚体（车）用 6DoF 姿态， 非刚体（人）用 SMPL 等参数化模型做条件。 驾驶日志全长重建，跑到 60 Hz。
上面所有驾驶 GS 都是 per-scene 训练——一条新日志来了从头训 1–3 小时。真实部署需要的是"喂进去几秒钟出一个 3DGS"的前馈模型。
关键想法：以 VGGT 风格的 3D 基础模型为骨干， 接 hybrid Gaussian prediction heads（静态/动态各一头）+ 4D 时序合成模块。 前馈出场景表达，不要 per-scene 优化， 在 nuScenes 9 项指标里 8 项打过经典优化式方法。
StreetGaussians / DrivingGaussian / OmniRe：per-scene 优化。 ReconDrive：foundation model + feed-forward。这是 2026 自动驾驶 3DGS 的范式转折。
关键想法：连 SfM / 位姿都不要——直接喂未标定的连续帧， 模型联合预测每帧 Gaussian 集合 + 相机位姿， 再用一个扩散模型做渲染细化。 Waymo / nuScenes 上零样本跨数据集泛化。
无人机航拍：(i) 有动态干扰物（车流、行人、晾衣服的旗子）； (ii) 视角重叠少，MVS 不稳。
关键想法：local-global 分割 + 自适应阈值 mask 把动态像素 排除在 loss 之外；用 MVS 先验 + voxel-guided 优化弥补稀疏视角。 顺带发布 24 个真实无人机序列的基准。
关键想法：在分块训练之上再叠一层 层级结构——块内自己是层级的，块间也是层级的。 visibility-aware 数据划分 + 带权重的分块训练干掉接缝处的"重叠带"。 把 §10 (VG 分块) 和 §22 (LoG 层级) 在同一篇论文里融合。
关键想法：从大场景 3DGS 提取出可用的城市级网格 (mesh) 是另一个挑战——点云够密但表面不一致。 ULSR-GS 做 point-to-photo 分块 + 最优视角匹配 + 多视角一致性稠密化， 专门为表面提取调优。把 SuGaR 那套思路放大到航拍尺度。
贡献：$1.5\,\text{km}^2$ (v1) / $3.5\,\text{km}^2$ (v2) 真实无人机 RGB + 带 LiDAR Ground Truth 的基准数据集。 把整个 large-scale 3DGS 领域从"各刷各的 Mill-19 / UrbanScene3D" 一步推到"所有人在同一个 km 级地表 GT 上比"。
关键想法：把过去三年的所有招数拼回到一篇里——
把分块、几何、压缩三轴在一个流水线里同时做。 自称"first pruning framework designed for city-scale 3DGS"。 跟 LoBE-GS + PrismGS + CityGS-X 一起被视为 "2026 年版本的 VastGaussian"。
关键想法：所有 Gaussian 常驻 CPU 内存， 每个 iter 只把本帧可见的子集流式上传到 GPU， 优化器更新也在 CPU 上 pipeline。 算法本身一字不改，GPU 显存峰值 -3.3–5.6×， 单 RTX 4070 Mobile 能跑 4M → 18M Gaussian。
跟 DOGS / Grendel 正交：DOGS / Grendel 用多卡来扩， GS-Scale 用 host memory 来扩单卡上限。
关键想法：用几张极偏角的卫星图重建一座真实的 $4\,\text{km}^2$ 城市，并合成地面视角。表达上是 2.5D Z-monotonic SDF 高程场 + 生成式纹理还原网络。卫星 → 3DGS-地面渲染的当前最强 demo。
在大场景生成的世界（CityDreamer 等）里，朴素地"先生成 mesh / NeRF 再转 3DGS"会爆出几十亿点 + 100 GB+ 显存。
关键想法：用 BEV-Point 作为中间表达—— 一张鸟瞰图压缩了无界城市的所有信息， 使显存与城市大小无关。 再用一个空间感知的 Gaussian 属性解码器把 BEV-Point 转成 3DGS。 比 CityDreamer 快 60×，10.72 FPS。
不是论文，但代表了 2026 年大场景 3DGS 落地的工程现实： WebGL2 / three.js 内的虚拟内存式 LoD 流渲染， 一亿 splat 的场景能在普通笔记本浏览器里跑。
关键想法：移动端实时 3DGS——量化的 Gaussian 表达 + 移动 GPU 友好的 tile-based 重写。和 Spark 2.0、Cesium 3D Tiles 一起组成了 "客户端大场景 3DGS"的当前栈。
站到 2026 年 5 月这个时间点回看，下面这些坑还在挖：
Large-scale 3DGS 的故事可以简化成两件事： (a) 怎么训得下 → 分块 + 共识 + LoD； (b) 怎么渲得起 → LoD + 虚拟内存 + 压缩。 所有论文都是在 (a) (b) 这张图里某个角落"上一颗螺丝"。
| 术语 | 解释 |
|---|---|
| Anchor | Scaffold-GS 引入的稀疏体素中心点；每个 anchor 负责生成 $k$ 个 Gaussian。 |
| ADMM | Alternating Direction Method of Multipliers，分布式优化里达成共识的经典方法，DOGS 用它做分块训练的协调器。 |
| Densification (稠密化) | 3DGS 训练中根据梯度对 Gaussian 做 split / clone 的过程。 |
| EWA splatting | Elliptical Weighted Average splatting (Zwicker 2001)；3DGS 用它把 3D 椭球的协方差投影成屏幕空间的 2D 椭圆。 |
| LoD | Level of Detail——根据相机距离 / 屏幕投影大小切换原语精细度。 |
| SH (Spherical Harmonics) | 球谐函数，3DGS 用它编码视角依赖颜色，degree 3 = $16$ basis $\times$ $3$ channels = $48$ floats。 |
| Tile-based rasterization | 把屏幕切成 $16\times 16$ 像素的 tile，每个 Gaussian 只参与它能碰到的 tile，避免每像素串行。 |
| VRAM wall | 大场景里 Gaussian 数量 $\times$ 字节数超出单卡显存的现象；驱动了分块、LoD、virtual memory 三条路。 |
读完本文，下一步——按这个顺序读原文比按发表时间读高效：