3DGS 在 2023 年横空出世时，社区第一时间欢呼的是渲染速度和 PSNR——从远处看， 每一帧都像照片。可只要你拿任何一个训练好的 3DGS 模型去抠 mesh，就会发现 一团团软乎乎的椭球漂浮在物体周围：它们渲得对，但根本就不是表面。
这件事推开了过去三年里最热闹的一道门——怎样让 3DGS 同时会渲染又会建模型？ 本综述把这条路上所有"主流站点"按七条思想路线拼成一张地图。
想要快速入门：顺序读 §1 三宗罪 → §2 思想地图 → §12 推荐路径， 然后挑你感兴趣的一两条路线深读。 想看最新趋势：直接跳 §8 Mesh-in-the-loop——这是 2025 年最热的方向。 只想找 SOTA：§11 Benchmark 按 DTU 排序。
回顾一下 3DGS 做了什么：每个高斯是一个各向异性 3D 椭球——位置 $\boldsymbol{\mu}$、 协方差 $\Sigma$（由旋转 $q$ 与缩放 $s$ 拼出）、不透明度 $\alpha$、视角相关颜色 SH。 渲染时把每个椭球沿视线方向 splat 到屏幕上，alpha 合成所有命中像素的椭球得到颜色。 监督只有一个光度损失。
这一套机制为什么不给你表面？三个原因，本综述把它们叫作 "三宗罪"， 每一条都对应着后续若干工作要解决的问题。
第一宗 · 基元是体积，没有"表面点"。 一个 3D 椭球被一条射线穿过时，进入和退出两次，中间是连续的密度衰减； 你说"表面在哪里"是哲学问题——是 $\alpha=0.5$ 的等值面？是峰值处？是中心投影？ 不同视角的回答不一样，所以多视图几何一致性从根上就崩。
第二宗 · 椭球没有内禀法线。 椭球有三个主轴，谁是法向是优化器猜的。 任何想用法线监督驯服 3DGS 的工作， 都得先回答"梯度应该流回旋转 $q$、缩放 $s$ 还是位置 $\boldsymbol{\mu}$"这个问题 （路线 A 中 VCR-GauS 把这件事看得最透）。
第三宗 · 光度损失对几何不敏感。 只要图像渲对了，椭球互相穿插、漂浮在空中、巨大半透明都不会被惩罚。 你看到的 3DGS 重建通常是"几个巨大的半透明椭球叠加出一个看起来对的颜色"， TSDF 或 Poisson 抽出来的几何自然碎成豆腐渣。
本综述要回答的就是这一句：3DGS 渲染好 $\ne$ 几何好。 后续七条路线，本质上都是在三宗罪的某一条上下功夫—— 要么给损失加监督（A）、要么换基元让法线/深度天然存在（B 与 E）、 要么把已知会建几何的 SDF/NeuS 缝进来（C）， 要么不强求 GS 给 mesh、改让 mesh 反过来约束 GS（D 与 E）， 要么干脆借助工业级感知模型间接拿几何（F）。
我收录了从 2023 年 11 月（3DGS 后第一个表面工作 SuGaR）到 2025 年 12 月（MeshSplatting）之间， 所有提出独立思想、被社区广泛引用、或代表某条路线"最新前沿"的工作——约 69 篇。 所有微小变体（仅改超参、换数据集）一律不收。
对每一篇我只回答三个问题：它做了什么新东西、 它和它的"前任"最关键的区别、它失败在哪。 而 不 逐字搬运 abstract、 不 抄数学符号。
所有工作可以放进七条思想路线。它们不是互斥的——许多 2024–2025 年的 SOTA 工作把 A + B + F 缝在一起跑。但每条路线都有自己的"祖师"和"看待问题的方式"， 理解了路线就理解了一篇论文为什么这样设计 loss。
横轴是论文首次公开时间（arXiv 月份），颜色对应路线。鼠标悬停查看一句话简介， 点击跳转到正文卡片。
第一波（2023.11 – 2024.04）：所有人都在解决"3DGS 提不了 mesh"。 SuGaR 用"软对齐"把这条路打开，DN-Splatter / DNGaussian / GeoGaussian 跟进； NeuSG / GSDF / 3DGSR 同时探索"借 SDF"； 2DGS / Gaussian Surfels 几乎同月独立提出"换基元"。
第二波（2024.06 – 2024.12）：路线 B 高速成熟。 PGSR / RaDe-GS / GOF 把"2D / 无偏深度 / 等值面"做到 DTU SOTA； QGS、3DCS、Beta、EVER 开始探索"非高斯非平面"的下一代基元。 同期 InstantSplat 把 DUSt3R 注入，路线 F 开始独立。
第三波（2025.01 – 2026.05）：训练循环里直接有 mesh。 Triangle Splatting $\to$ MILo $\to$ Triangle Splatting+ $\to$ MeshSplatting， "基元 = mesh 单元"成为新共识； 同时 SDF 混合路线进入 DiGS / DiscretizedSDF 阶段， SDF 不再是大 MLP，而是每个高斯绑一个标量； 垂直方向（稀疏视图、大场景、反射、4D）独立成熟，各自跑 SOTA。
这条路线的信念：3DGS 几何差 不是因为 基元有问题， 而是因为 光度 loss 不约束几何。 那就把所有能拿到的几何信号塞进 loss——深度、法线、平面、MVS 一致性、剪枝、densify 修正—— 把椭球"拽"到表面上去。它是历史最长、工作最多、最容易和其它路线叠加的一支。
在 SuGaR 之前要从 3DGS 拿 mesh，要么 marching cubes 体素化（慢且糙）， 要么训一个独立 NeuS（极慢）——没人把"对齐表面"直接写进 loss。
关键想法：如果所有高斯都贴在表面上，那场景的密度场就近似一个理想 SDF。 作者据此推导了一个理想 SDF 的解析表达式（用最近高斯的距离和不透明度算）， 然后把"GS 实际密度 vs 理想 SDF 之差"做成正则项推高斯收敛。 训练完，从这个伪 SDF 采样点跑标准 Poisson 重建拿 mesh， 再把高斯重新绑回 mesh 三角面继续优化。
从此整条软对齐路线开张。后续 DN-Splatter / VCR-GauS / TrimGS 都在 SuGaR 的"加几何 loss"模板上做更细的事。
压扁仍是 3D 椭球的退化形式，深度/法线并非无偏；Poisson 重建对椭球噪声敏感；正则强度需要手调。
紧接 SuGaR，社区分成两派：" 从大模型拿监督" vs " 从场景自身拿监督"。 前者依赖现成的单目深度/法线预测网络（Marigold、Omnidata、StableNormal）， 后者只用多视图自一致性。两派各有道理：前者上限高但依赖 prior 质量，后者鲁棒但弱纹理区会塌。
室内大白墙这种纹理稀的地方，光度 loss 几乎没信号——高斯随便长成针刺都行。
关键想法：把现成的单目深度/法线预测直接当伪 GT，用 $L_1$ 监督深度、cosine 监督法线、 邻接高斯法线一致性正则。还做了一个细节：用 RGB 梯度调权"高频处放松、低频处加强"。 瞄准 iPhone LiDAR / RGB-D 扫描的室内场景。
后续 AGS-Mesh（2024.11）是它的直系下一代——增加多视图一致性筛选机制丢弃低质 prior 像素。
深度/法线 prior 的质量决定上限；室外、强反射场景效果一般。
单目深度预测有未知尺度，不能直接当 GT。
关键想法：同时用"硬深度"（仅最大不透明度高斯算出来的深度，约束位置）和 "软深度"（$\alpha$ 合成深度，约束分布），再用全局-局部双归一化让 loss 对尺度漂移不敏感。 是 sparse-view 3DGS 的常被引基线。
极稀疏（少于 3 视图）仍会崩；纯靠单目深度，镜面/透明物失败。
SfM 在纹理缺失区没点 $\to$ 3DGS 没初值 $\to$ 永远建不好。
关键想法：走"纯传统 MVS 自一致性"路线。 训练过程中用 PatchMatch 风格的 propagation，从邻域已建好的高斯传播深度/法线到没点的位置， 再 densify 新高斯。监督完全来自自己，不吃任何大模型 prior。
和 DN-Splatter 形成思想对照——"自一致性" vs "大模型 prior"。
依赖局部平面性假设；高曲率区可能过平滑。
关键想法：SfM 点云上检测共面区，那里的高斯一律初始化成"薄片 + 朝法向"； densify 时新生高斯继承父高斯的方向。本质是"用显式几何约束模拟 SDF 的零等值面"的轻量替代品。
非平面物体无收益；需预先的 PlanarSLAM 输入。
原 3DGS 用 $\sum \nabla$ 决定 densify——但梯度方向相反的会相消， 导致一个大高斯压住高频区却"看不到自己需要分裂"。
关键想法：改成 $\sum |\nabla|$ 消除"gradient collision"。 小改动，大影响。几乎所有想要清晰表面的方法都把它当 baseline trick 叠加。
高斯数量显著增长；不解决核心几何错配。
以往直接监督"渲染出来的法线"，梯度只回到 rotation $q$，对位置 $\boldsymbol{\mu}$ 和 scale $s$ 没影响—— 椭球可以原地转个角度满足法线 loss 而几何丝毫不动。
关键想法：把"渲染深度对像素的导数 $=$ 法线"显式写进 loss， 让法线信号真正可以挪椭球；再加视角置信度过滤多视图不一致区。
本路线对"梯度到底流去哪儿了"看得最透的工作。
仍依赖法线预测；薄表面物体会被过度光滑。
关键想法：好几何的 3DGS 应该由"小而准"的高斯组成。直接 trim 掉那些 "占地大但贡献低"的高斯，强制保留小尺寸高斯表达细节。
与 PGSR、2DGS 正交，可叠加。
剪枝阈值敏感；上游训歪了剪枝救不了。
关键想法：不再纠结"用大模型 prior 还是 MVS 自一致性"——都用， 但按场景区域路由。纹理丰富区用 PatchMatch MVS，无纹理区用单目法线先验。 路线 A 后期的混合系代表。
关键想法：指出 2DGS 的 normal consistency loss 会损害渲染质量， 原因是几何正则和外观目标在某些像素冲突。解决：在差像素处"in-place clone"局部克隆 2D Gaussian， 让几何正则与渲染质量解耦。
软对齐思路里最精巧的微观调优。
路线 A 相信问题出在优化信号，所以在外面套约束； 路线 B 相信问题出在表示能力，所以直接换基元。 实践中 SOTA 几乎总是"AbsGS 的密度策略 + PGSR/VCR-GauS 的深度法线正则 + 后处理 mesh"，两条路线并不互斥。
这条路线相信 3DGS 几何差的根在基元本身——3D 椭球天然不是表面元。 解决方案沿两个正交方向收敛： 降维（3D $\to$ 2D 流形片）让法线、切平面、深度成为基元的一等公民； 硬化边界（无界软高斯 $\to$ 有界硬核）让基元有明确"内外"。 极致形态是 Triangle Splatting：基元 $=$ mesh 单元（已划到路线 E）。
回到序章的"三宗罪"：椭球深度依赖视角、没有内禀法线——这两条同时崩。
关键想法：把基元降到 2D 流形片（带方向的 2D 椭圆盘）。 2D 盘有一个切平面，切平面的法线就是基元法线； 任意射线与盘只有一个交点，深度是解析且视角无关的。 两个新 loss 让一切运作：depth distortion（鼓励同射线上的盘聚集在一个深度）和 normal consistency（渲染法线 $\approx$ 渲染深度的梯度算出的法线）。 表面提取走 TSDF fusion。
SuGaR 用"软"正则把 3D 高斯往表面拽；2DGS 直接换基元，几何无偏是结构性保证。 DTU Chamfer 从 SuGaR 的 $1.33$ 干到 $0.80$，是整个三年里最重要的 step change。
背景/天空等无界区域处理欠佳；薄结构仍有 floaters；TSDF 引入额外步骤； 纯薄盘对毛发、半透明体积表达力下降，PSNR 通常略低于 3DGS。
关键想法：和 2DGS 几乎同月独立提出的"扁高斯"工作—— 直接把 3DGS 的 z-scale 强制设为 $0$。结构等价于 2D 椭圆 surfel，但带来一个新问题： 退化协方差矩阵在数值上不稳定，所以引入了一个特定的"深度-法线自监督一致性损失"作平衡。
和 2DGS 各有取舍，但都是"3D 椭球 $\to$ 2D 流形片"这一思想跃迁的代表。
关键想法：把高斯强制扁平化后，渲染时直接输出"相机到平面的距离"和"法线"， 两者相除得到无偏深度（平面方程 + cosine 校正）——这避开了 z-buffer 偏置。 再叠加单视图几何正则 + 多视图光度 & 几何一致性正则。 完全不需要预训练 depth / normal，全靠多视图自一致性。
相比 2DGS 深度公式更精确；相比 SuGaR 不需要 Poisson。 DTU Chamfer $0.53$，是这一时期纯几何路线的天花板。
高反光 / 透明物的平面假设不成立；室外大场景需要额外调度。
关键想法：本路线里的少数派意见——保留通用 3D 椭球，只改深度光栅化方式。 推导 general 3D 高斯的射线-高斯峰点闭式相交，把这个交点深度作为 splat 深度， 而非原版 3DGS 的"高斯中心投影深度"。
"3DGS 几何不准"不是基元的错，是渲染公式选错了。属于"让所有路线 A 的 loss 真的能传梯度"的基础设施工作。
仍是体积基元，重建的"表面"是模糊等密度面；高反光场景受限。
关键想法：从光线追踪式体渲染重新推导 3DGS，得到任意 3D 点的不透明度值， 把它定义为一个连续的"opacity field"。然后用高斯中心做正则四面体剖分， 跑 marching tetrahedra 直接抽出等值面的 mesh。
SuGaR / 2DGS 都还需要外部 TSDF 或 Poisson；GOF 把网格抽取看成场的等值面问题，更优雅， 且天然处理无界场景。DTU Chamfer $0.74$，等值面密度自适应——靠近物体密、远处稀。
四面体化在大场景仍较重；薄面 / 小孔可能因等值面阈值丢失。
关键想法：分析出 GOF 存在系统性高估深度的问题——原因是 $\alpha$ 合成中的排序近似。 引入分层 resort + 精确深度公式 + 并行 Marching Tetrahedra， mesh 抽取时间快约 1 个数量级，重建精度同时上升。
是 GOF 路线 2025 年的归宿。
关键想法：从一阶贴面（2D 盘）升到二阶贴面 （可变形二次曲面：椭球面、抛物面、鞍面）。 密度沿曲面的测地距离而非欧氏距离衰减——这才是"在表面上的高斯"该有的几何直觉。 单个 QGS 基元能匹配局部 Hessian，等价于"用更少基元覆盖弯曲表面"。
DTU Chamfer $0.51$，比 2DGS 降 33%。
实现复杂；测地距离的解析求解只对若干二次曲面族成立。
关键想法：方向和 2DGS 相反——不是降维，是升结构。 用平滑凸多面体（顶点 + 锐度 $\delta$、平滑 $\sigma$）替代高斯， 通过线段 SDF 的组合得到指示函数。凸体可表达硬边界和致密体， 对建筑边角、薄片这类尖锐结构比 Gaussian 软斑点更紧凑。
参数多，训练慢；不是显式 surface 基元，主要解决"硬边界"问题。
关键想法：换核函数——把无界 Gaussian 换成可形变 Beta 核。 引入形状参数 $b$：$b<0$ 时是"平顶 + 锐切断"（有界支撑 + 硬边界，适合表面）， $b>0$ 时是"尖峰"（适合高频细节），$b=0$ 退化为 Gaussian。 同一基元能根据 $b$ 自适应频率，省参数 55%、快 $1.5\times$。
关键想法：把高斯换成常密度椭球（hard boundary），用 ray tracing 精确积分。 椭球边界明确，射线进/出点是解析的，消除了 $\alpha$ 合成的近似带来的 popping 和视角相关密度伪影。
依赖 RT 硬件；常密度边界仍是椭球，不天然贴面。
关键想法：把椭球切一刀只保留半边，作为 plug-and-play 基元处理边缘 / 纹理不连续。 适合"基元一半在物体内、一半在空气中"的边缘像素。
关键想法：2DGS 的精细化版本——把 surfel 视作"对几何场（geometry field）的采样器" 而非"对体积的采样器"，去掉 2DGS 中的 Taylor 近似与自衰减近似，并用球谐编码反射向量替代颜色。
镜面物体的几何更稳。
关键想法：基元仍是高斯，但把 EWA splatting 的线性化投影换成 Unscented Transform用 sigma points 精确投影。 在 fisheye、rolling-shutter 等强非线性投影下也能保持几何准确；还支持反射/折射 secondary rays。
和 EVER 同方向，3DGUT 是栅格化版，EVER 是 ray tracing 版。
3DGS 给出离散漂浮的椭球——擅长拟合光度但不知道"表面在哪里"； NeuS / VolSDF 给出连续 SDF——知道表面在哪但渲染慢、细节糊。 把两者粘起来是 2023 年底开始爆发的一条主线。 按"耦合方式"分五个子路线：单向蒸馏（$\to$ / $\leftarrow$）、双分支并行、一体化、SDF 拽动高斯。
关键想法：本路线最早期工作之一。朴素 3DGS 椭球中心并不一定落在物体表面上—— NeuSG 加了一条"最小尺度趋近于零"的正则把椭球压成几乎二维的薄片， 逼迫椭球中心爬到真实表面附近； 然后用这些"贴在表面上的点"当作 NeuS 的位置和法向先验。
单向偏多——GS 给 NeuS 几何先验，NeuS 反向只通过共享场景隐式约束 GS。
GS 压扁后渲染质量下降；训练成本几乎是 NeuS + 3DGS 之和。
关键想法：第一个明确的双分支架构。 GS 分支专管"漂亮渲染"，SDF 分支专管"准确表面"，三座桥梁互喂监督： GS 渲染的深度图给 SDF 当 ray sampling 提示（让 SDF 只在表面附近精算，极大减少 marching 开销）； SDF 反过来告诉 GS 哪儿是表面（指导高斯的克隆/剪枝只发生在表面附近）； GS 渲染的法向被 SDF 法向监督。
两套网络，显存压力大；两个表征最终仍然分离，没有"统一表征"。
之前的方法都是"两个分支并行"——SDF 和 GS 实际上是两个东西。
关键想法：走一体化路线——每个高斯的 $\alpha$ 不是自由变量， 而是由它中心处的 SDF 值经 sigmoid 函数算出：SDF 接近 $0$ 时 $\alpha$ 大；SDF 远离 $0$ 时 $\alpha$ 小。 这样优化 GS 渲染时就在隐式优化 SDF。 同一标量场（SDF）同时决定渲染（$\alpha$）和几何（zero-level set）。
渲染速度仍是 3DGS 级（无 ray marching），提取的 mesh 是 NeuS 级的连续光滑。
SDF 监督信号只在有高斯的稀疏位置，远离表面处 SDF 实际上无约束；scene scale 大时优化不稳。
关键想法：室内场景的大白墙是 3DGS 的噩梦。 用 SDF 零等值面指导高斯的克隆/剪枝： 表面缺高斯的地方主动 densify、远离表面的浮点主动 prune。 再加上单目法向 + 单目深度先验在无纹理区注入伪监督。
关键想法：来自 Neural Pull 系列。优化时每一步—— (1) 查询 SDF 在当前高斯位置的值和梯度； (2) 沿梯度方向把高斯"朝零等值面拽一下"； (3) 在拽过去的位置渲染并算 RGB loss。 这样 RGB loss 的梯度会反向流过 pull 操作去更新 SDF。高斯永远在表面上。
每步引入额外计算；SDF 初期不准时拽错位置会发散。
关键想法：连续 SDF MLP 代价高。直接把 SDF离散到每个高斯上 （每高斯一个 SDF 标量），$\alpha$ 由 SDF 经 sigmoid 转换得到（沿用 3DGSR 思路）， 中位数 loss + projection 一致性 loss 把这些离散值约束成全局一致的 SDF。 为 relighting 应用——SDF 是 PBR 解耦质量的关键。
关键想法：与 DiscretizedSDF 思路接近——SDF 绑高斯上。 但 DiGS 强调"几何引导的 grid growth"——多尺度按几何一致性分布高斯。
DTU、Mip-NeRF360、TnT 上对 GOF / PGSR / 2DGS 全面提升，是路线 C 最新前沿。
优势：SDF 天生连续光滑——mesh 提取后没有 SuGaR / 2DGS 那种"碎裂、孔洞、薄壁穿插"； SDF 在空间任一点都有值，可做正则（Eikonal）、做 CSG 编辑、做物理仿真初始化； 薄结构（椅子腿、栏杆、电线杆）明显胜过纯 SuGaR / 2DGS；可重光照。
劣势：训练慢——双分支或每高斯绑 SDF 都加显存； 远场 SDF 没有监督（路线 D 的一致 pitfall）； 超参敏感（SDF 正则系数、pull 学习率、SDF→opacity 函数温度）； 大场景外推下 SDF 归一化是新难题（G2SDF 才开始处理）。
前面 A / B / C 三条路线的目标都是"从 3DGS 提 mesh"。 路线 D 反过来： 假设你已经有 mesh，把高斯锚定到三角面上，得到一个混合表达—— mesh 一动，高斯自动跟着动；mesh 提供拓扑结构，高斯提供高质量外观。 这条路线服务的是 编辑、动画、仿真 的下游需求。
关键想法：每个高斯属于某个三角形，位置用重心坐标表示， 旋转 / 缩放由三角形局部坐标系决定。mesh 变形 $\to$ 三角形变形 $\to$ 高斯自动重新计算。 结构上最简洁的"mesh-bound 高斯"。
依赖外部 mesh 拓扑；mesh 提取本身不是这篇的贡献。
SuGaR 重在"提网格"，但提完之后毛发、草、纤维这种"严格说不是 mesh 表面"的细节会被洗掉。
关键想法：SuGaR 同班人马的进阶——先用 SuGaR 抽 base mesh， 然后在 mesh 周围生长一层可变厚度的 frosting； 高斯被参数化为"层内坐标" $(u, v, w)$，mesh 变形时高斯随之拖动。
这层 frosting 让毛发、草、纤维这种模糊体积感也能保住，同时 mesh 一变形高斯自动跟。
关键想法：三角形感知的高斯绑定 + 自适应方法。即便 mesh 不精确也能工作—— mesh 变形 $\to$ 高斯随动，支持大形变、软体仿真。
关键想法：观察到完全"贴 mesh"的 splats 会受 mesh 误差拖累。分两类训练： tight-bound splats 拍扁贴在 mesh 上保几何； loose-bound splats 自由漂浮补 mesh 的伪影。
相比 GaMeS 对不准的输入 mesh 更鲁棒。
关键想法：为数字头像特化——把高斯绑到神经参数化头模 NPHM （非 mesh 表面）上而非传统 FLAME mesh。把反向变形场蒸馏成前向变形以兼容光栅化。
是 D 路线"非显式 mesh 也行"的代表。
2025 年最值得关注的方向。前面四条路线 A / B / C / D 都把 mesh 视为"训练后才有的副产品"—— 要么 Poisson、要么 TSDF、要么 marching cubes / tetrahedra。 路线 E 颠覆这一点： 让 mesh 提取本身可微，训练每一步都能拿到 mesh， 梯度可以从 mesh 直接流回 splat。"高斯泼溅"和"传统 mesh-based 渲染"的边界正在消失。
所有路线 B 的改基元工作还要事后抽 mesh。能不能直接把基元设为 mesh 单元？
关键想法：路线 B 的极致形态、也是路线 E 的起点。 每个三角形 $=$ 3 个顶点 + 平滑度 $\sigma$ + 颜色 / 不透明度；不透明度由三角形 2D SDF 给出。 三角形是计算机图形学的原生表面基元，输出直接是 mesh soup， 能用任何标准 mesh 渲染器以 $2400+$ FPS 渲染。
2DGS 是椭圆盘（仍是 splatting 框架），Triangle Splatting 是直接学习 mesh。
输出拓扑仍是"三角形汤"，不是流形 mesh；薄结构、半透明对单三角形仍是挑战。
关键想法：SuGaR / Frosting 同班人马的最新作。摒弃"训练完再 marching cubes / Poisson"的 pipeline—— 让 mesh 顶点位置和连通性都每一步训练里通过可微 Delaunay 重抽， 梯度从 mesh 反向流回高斯。
顶点数比同类少约 $10\times$，但精度更高。
关键想法：和 Triangle Splatting 同年的"2D 版"——直接用 2D 三角形作 splatting 基元， 不透明度由 barycentric 坐标给。
属于"基元和 mesh 合二为一"的另一种实现。
关键想法：Triangle Splatting 的工程化升级——共享顶点连通性 + 强制不透明， 输出真正可编辑的流形 mesh，可以直接进游戏引擎。
关键想法：本路线最新（2025 末）作。在 MILo / Triangle Splatting+ 之后的进一步—— 用受限 Delaunay 三角化保证连通性，输出可直接渲染的不透明 mesh。
比 MILo 高 $+0.69$ dB PSNR、训练快 $2\times$。
路线 E 直接消解了"渲染基元"和"几何输出"的分离。 当训练循环里随时有 mesh 时—— 你可以用 mesh 的拓扑当正则（流形性、连通性、薄壁性）， 可以让物理引擎在训练循环里参与， 可以无缝接入传统 CG pipeline（动画、贴图、UV unwrap）。 这是 2025 年最有可能定义 2026–2027 走向的方向。
这条路线的信念：与其重新发明几何，不如借用计算机视觉社区已经做了 10 年的工具—— 立体匹配、SLAM、多视图 stereo 基础模型。 3DGS 只负责"漂亮渲染"，几何由外部模型提供或反向蒸馏。
关键想法：完全不改 3DGS 优化目标——训完之后，从训练位姿渲一对左右目图像， 喂给现成的 stereo matching 模型（如 DLNR / RAFT-Stereo）出深度，最后 TSDF 融合。 本质把"3DGS $\to$ mesh"问题转化为"立体重建"问题。 把工业级 stereo 网络在 KITTI / SceneFlow 上学到的真实世界知识"注入"进来。
依赖 stereo 网络的领域外泛化；视野缝隙处仍会出现一致性问题。
关键想法：跳过 SfM。基础模型 DUSt3R / MASt3R 一步出位姿 + 稠密点云， 把 3DGS 收敛半径从"几小时"压到"40 秒"。
和 Splatt3R / MV-DUSt3R+ 形成 family，是路线 F 在 pose-free / 极少视图重建上的代表。
DUSt3R 视图数多了 OOM；长基线 / 室外大场景仍有瓶颈。
关键想法：把 3DGS 当 SLAM 后端——跟踪和优化一锅炖，几何由位姿一致性约束。 3 FPS 在线，各向同性正则让在线增量优化稳定。
是路线 F 的"实时"分支。
关键想法：更好的深度训出更好的 GS，更好的 GS 反哺深度模型—— 把 3DGS 训练和 depth estimation 当作一个双向任务。 "外部知识"在这里不再是冻结的，而是可被 3DGS 微调。
2025 年开始，"通用 DTU 通杀"已经不是大家追的目标—— 各个垂直方向独立成熟，每条赛道有自己的 SOTA、自己的 benchmark、自己的失败模式。 本节按方向梳理。
当训练视图从 100+ 掉到 3–9 张，路线 A / B 的方法几乎都崩——光度信号不够，几何先验和正则成为必须。
作者自报数字（不是我重新跑的）。DTU Chamfer：15 个 scene 的均值， 越低越好 ($\downarrow$)。 TnT F-score：Tanks & Temples 表面 benchmark， 越高越好 ($\uparrow$)。 点击表头排序；缺失值表示原论文未在该 benchmark 上报。
| 工作 | 路线 | 日期 | 场所 | DTU Chamfer $\downarrow$ | TnT F-score $\uparrow$ |
|---|
假设你已经懂 NeRF 体渲染 + SDF / NeuS 基础。读 69 篇没必要， 按下面四步走能让你 真正理解 这条 research line 的演化逻辑。
读完这四篇 + 本页，你对整条 research line 的脉络就建立起来了。 剩下的 65 篇都是这四个支点的细化、推广、特化或修补—— 任何一篇你都能 30 秒判断它属于哪条路线、解决了什么"前任的痛点"。
进入任何一篇 3DGS-surface 论文先问三个问题：
能回答这三个问题，你就读懂了一篇 3DGS-surface 论文 90% 的"信息密度"。
2025 年底社区公认的开放问题。如果你是研究生在找选题，这里大概是收益最高的几个方向。
想读已发表的综述，下面是我推荐的优先级。