把表面写成一个场
——如何用局部基元优雅地拼出全局连续函数

痛点 (b)(c)：怎么把一堆"局部该长什么样"的先验，拼成一个全局、可证收敛的函数空间。

关键想法：给定区域的一个覆盖 $\{\Omega_i\}$ 和从属于它的单位 分解 $\{\varphi_i\}$（$\operatorname{supp}\varphi_i\subseteq\Omega_i$、 $\sum_i\varphi_i\equiv 1$），再给每个 patch 配一个局部逼近空间 $V_i$（多项式、 甚至把已知的解的行为"塞"进去的特殊函数），那么全局空间就是 $V=\sum_i\varphi_i V_i$，全局函数 $u(x)=\sum_i\varphi_i(x)u_i(x)$。论文证明： 全局逼近误差是局部误差的简单叠加，全局光滑性继承自权重 $\varphi_i$ 的 光滑性。这就是"局部拟合 + 光滑混合"为什么可证有效的母定理。

把有限元从"绑死在网格节点多项式"解放成"任意局部先验 + 光滑混合"，比全局基函数更适应局部复杂行为。

痛点 (a)(b)(d)：海量点云上，既要全局光滑场，又要局部细节、还要能自适应分辨率。

关键想法：全局隐式场就是局部拟合的单位分解混合 $$F(x)=\frac{\sum_i w_i(x)\,Q_i(x)}{\sum_i w_i(x)}=\sum_i\varphi_i(x)\,Q_i(x),$$ 其中 $w_i$ 是带 support 球的光滑权重，$Q_i$ 是局部分片二次曲面 （一般二次、双变量二次、或专门处理边/角的两片函数）。一棵八叉树 按局部拟合误差 $\varepsilon$ 自适应细分：哪里复杂就分到哪里，天然 LoD。因为 $\{\varphi_i\}$ 是光滑单位分解，无论局部二次面们怎么打架，$F$ 都和权重一样光滑。

vs 全局 RBF/MLS：把"局部逼近"和"全局混合"彻底解耦，于是能吃超大点集、能 error-控制、还能保住被光滑洗掉的尖锐边角。

痛点 (b)(c)：散乱采样上，如何得到高阶、且可证光滑的局部拟合。

关键想法：在每个查询点 $x$，都现解一个带权最小二乘， 用邻域样本拟合一个 $m$ 次多项式 $p_x$： $$\min_{p\in\Pi_m}\sum_i\theta(\|x-x_i\|)\,\big(p(x_i)-f_i\big)^2,$$ 近似值就是 $\mathcal{M}f(x)=p_x(x)$。Levin 证明它能复现 $m$ 次多项式、误差 $O(h^{m+1})$，而且只要权核 $\theta\in C^\infty$，整个 $\mathcal{M}f$ 就是 $C^\infty$——虽然它处处是"局部"拟合。

把临时凑数的"局部平滑"升级成有可证收敛阶、可证光滑的逼近算子。

痛点 (a)(b)：点云能不能不靠网格、直接当成一张光滑流形来用？

关键想法：把表面定义成 MLS 投影算子的不动点集 $S=\{x:\Psi(x)=x\}$。投影 $\Psi$ 两步走：先在 $x$ 附近找一个局部参考平面，再在 该平面上做带权多项式拟合并投影回去。所得曲面 $C^\infty$，并支持按表面误差做点的 重采样（增/删点来控制精度）。点不是终点——所有局部拟合算子共同定义出的零 水平集 / 不动点，才是面。

vs 存网格或存点：第一次把"无连接的点集"立为一等公民的曲面表示，并给出重采样与 splat 渲染的完整管线。

痛点 (a)(c)：能不能跳过 MLS 那个非线性投影，直接写出一个隐式场，还带拓扑正确性保证？

关键想法：把面直接定义成"每点到其切平面的带符号距离"的归一加权平均—— 一个干净的单位分解隐式场： $$F(x)=\frac{\sum_i\theta(\|x-x_i\|)\,\big(n_i\cdot(x-x_i)\big)}{\sum_i\theta(\|x-x_i\|)},$$ 面就是 $\{F=0\}$。在 $\varepsilon$-采样条件下，Kolluri 证明 $F$ 逼近真 SDF，且其零集与真表面同伦（拓扑等价）。注意这个式子正是 Demo 1 里跑的那个。

vs Point Set Surfaces 的非线性投影：换成一次成型的隐式场，并首次给出 MLS 重建的拓扑正确性保证。

痛点 (b)：平面型 MLS 在高曲率、稀疏、带噪处会退化。

关键想法：把局部拟合的平面换成代数球面 $u_0+u_{1..3}\!\cdot x+u_4\|x\|^2=0$，用带权最小二乘（位置+法向）拟合。球面能 抓住曲率，于是在高曲率和稀疏采样下远比平面 MLS 稳，梯度也更乖。

vs 平面 MLS / Point Set Surfaces：换更高阶的局部基元（球面而非平面），鲁棒性与稳定性大幅提升，闭式快算。

痛点 (a)(c)：从稀疏约束（面上=0、内外=±1）造一个精确插值、且全局最光滑的场。

关键想法：在所有满足约束 $f(c_j)=h_j$ 的函数里，挑使 薄板 / 弯曲能量 $E=\int\|\nabla^2 f\|^2\,dx$ 最小的那个。它的 Euler–Lagrange 解恰好是一个 RBF 展开 $$f(x)=\sum_j\lambda_j\,\phi(\|x-c_j\|)+P(x),$$ 其中 $\phi(r)=r^3$（三维薄板）或 $r^2\log r$（二维），$P$ 是低次多项式；系数 $\lambda_j$ 与 $P$ 由一个全局线性系统解出（外加 $\sum\lambda_j=0$ 等正交条件）。

把表面重建和形状变换统一到一个变分原理下——稀疏约束 + 全局光滑 + 任意拓扑。

痛点 (a)：带洞、带噪、不完整的真实扫描，要补成一个水密的解析实体。

关键想法：拟合一个全局多调和样条 $s(x)=\sum_{i}\lambda_i\,\phi(\|x-x_i\|)+p(x)$（$\phi(r)=r$ 或 $r^3$），面上点约束 为 0、沿法向放的"离面点"约束为 $\pm$ 距离（避免 $s\equiv 0$ 的平凡解）。工程上靠 快速多极子（FMM）+ 贪心中心精简把稠密 $N\times N$ 系统压到能在几十 万点上解。

vs 局部拼接：把全局变分 RBF 第一次做到能补洞、修网格的工业规模。

痛点 (a)(b)：全局 RBF 的稠密矩阵贵，且改一点要重解全局。

关键想法：把核换成 Wendland 紧支撑核，例如 $\phi(r)=(1-r)_+^4(4r+1)$，半径外恒 0。插值矩阵于是稀疏带状，能用 稀疏线代求解，编辑也只影响局部。Wendland 1995 的核是"在给定维度、给定光滑度 $C^{2k}$ 下次数最低的正定紧支撑多项式"，保证矩阵可逆。

vs 全局薄板 RBF：稠密 → 稀疏、全局 → 可局部编辑（代价是远程补洞能力变弱）。

痛点 (a)(d)：紧支撑省事，但丢了全局 RBF 的补洞 / 全局光滑能力，怎么把两者都拿回来？

关键想法：两条路。Ohtake 做由粗到细的多尺度残差： 每层用一个支撑半径递减的 CSRBF 去修上一层的残差 $f=\sum_k f_k$，粗层补洞、细层 加细节。Walder 则把拟合写成 RKHS 里的正则回归 $\sum_j(f(x_j)-y_j)^2+\gamma\|f\|_\mathcal{H}^2$， 用一个频域定义的正则子，让紧支撑核也能有全局光滑插值的行为，并明确 指出它等价于一个改了协方差的高斯过程。

vs 单尺度 CSRBF：用层级 / 全局正则，把"近局部成本"和"全局质量"同时拿到，并第一次把 CSRBF ⇄ GP 这座桥摆明。

痛点 (a)：RBF 给了你一张面，但没告诉你"它有多确定"——主动感知 / 抓取急需不确定性。

关键想法：把隐式场建成一个高斯过程 $f\sim\mathcal{GP}(\mu,k)$，用约束（面上=0、内外=±）做条件。后验均值 的零集给表面，后验方差给"面到底在哪"的标定不确定性。而且只要把协方差 $k$ 取成薄板样条的正则子，GP 后验均值就恰好等于 Turk–O'Brien / Carr 的 RBF 重建。

vs 确定性 RBF/MLS：把重建重写成贝叶斯推断，白送一份不确定性（和学超参的路子）。

痛点 (a)(c)：带噪的有向点，如何造一个全局一致、对噪声鲁棒、无需启发式分区的水密面。

关键想法：把法向看成指示函数 $\chi$（内 1 外 0）的梯度样本。 由法向造一个光滑向量场 $V$，再解 Poisson 方程 $$\Delta\chi=\nabla\!\cdot V\qquad\big(\text{等价于 }\min\textstyle\int\|\nabla\chi-V\|^2\big),$$ 面就是 $\{\chi=\tau\}$。$\chi$ 用八叉树上的局部支撑 B 样条展开，PDE 于是变成一个稀疏、良态的线性系统。Screened 版本再加一项把 $\chi$ 在输入点上钉住 $+\sum_j\lambda\,\chi(p_j)^2$，找回被过度光滑掉的细节，并给出线性时间多重网格求解。

vs RBF / 局部混合：一次性"考虑所有点"，无需任何空间分区或逐区混合权，对噪声极鲁棒。

痛点 (a)(b)：Poisson 是一次性前向解，能不能让"有向点"成为可被梯度优化的参数？

关键想法：把 Poisson 重写成谱（FFT）形式，于是整个求解 器可微、且 GPU 极快：把有向点栅格化成法向场 $\to$ FFT $\to$ 频域里 $\hat\chi(\omega)=\dfrac{-\,i\,\omega\cdot\hat V(\omega)}{\|\omega\|^2}$ 一步解出 $\to$ 逆 FFT 得指示场 $\to$ 抠网格。因为每步可微，一个表面损失（如到网格的 Chamfer 距离）的梯度能一路流回到点的位置和法向，让它们成为自由优化变量。

vs 经典 Poisson 的一次性前向：把全局解做成可微模块，于是"对 PDE 的输入做梯度下降"成为可能——显式点 ⇄ 隐式指示 ⇄ 显式网格被打通。

痛点 (a)(d)：海量 / 流式点云，没法把整套数据塞进内存做全局解。

关键想法：和 Poisson 同一个目标（重建指示函数 $\chi$），但把 $\chi$ 展成小波基 $\chi(x)=\sum_{j,k}c_{jk}\psi_{jk}(x)$。关键事实：一个小波系数 是 $\chi$ 对基函数的局部积分 $c=\int\chi\,\psi$，借散度定理可化为只对其 支撑内输入点的面积分——于是每个系数可以独立、增量地算出来。读点一次、累加系数、永 不持有全数据，流式 / out-of-core，常数内存。

vs Poisson 的全局线性解：小波的正交 + 局部性让系数彼此解耦、可增量算，省掉全局系统、支持流式与天然 LoD。

痛点 (c)(d)：一张粗格保不住细节、一张细格丢了光滑，怎么两者兼得。

关键想法：用一串由粗到细的控制格 $\Omega_0\subset\Omega_1\subset\cdots$； 每层用双三次 B 样条去拟合上一层留下的残差，于是 $F=\sum_k f_k$，结果 $C^2$ 连续。B 样条的细化还能把这串和"塌缩"成一张等价的细 B 样条。

vs 单张控制格：用层级叠加，同时拿到粗层的光滑和细层的保真。

痛点 (d)：张量积样条的细化是"全局传播"的——想加一点局部细节，得插入一整行控制点。

关键想法：Forsey–Bartels 的层级 B 样条用"overlay"——只在需要处做局部 细分，细节以相对父层的偏移存储，于是动整体形状时细节的相对关系不变。Sederberg 的 T 样条更进一步：控制网允许 T-junction，一行控制点可以 在局部"中止"，从而支持真正的局部细化，并能把不同 knot 向量的面无缝缝合（gap-free）。

vs NURBS 的全局行/列细化：T-junction 让控制点只在该细的地方插入，第一次让"局部细化"对样条成立。

痛点 (d)：层级若只是离散几层分辨率，尺度之间不连续、也无原理保证。

关键想法：经典尺度空间理论里，高斯平滑 / 扩散方程是多尺度表示的核心。 Koenderink 证明了高斯平滑对尺度空间表示的必要性，其"因果性"条件要求 尺度变粗时不能凭空产生新的局部结构 / 等值面。写成 PDE 就是 $$\partial_s F(x,s)=\Delta F(x,s),$$ 或反过来建模细节残差 $F(x,s-\Delta s)=F(x,s)+R_s(x)$。

vs 离散 LoD：把"层级"提升成一条连续、且有因果性保证的尺度轴，与小波 / B 样条结合即得到非常自然的 coarse-to-fine 隐式场。

痛点 (c)(d)：$\min/\max$ 给对了集合，却在缝处只有 $C^0$（梯度有折痕）。

关键想法：R 函数是这样一种实函数——它的符号完全由参数的 符号决定，于是在离散符号集 $\{-,+\}$ 上它精确实现一个布尔函数，同时作为实映射又处处 光滑。并 / 交得到连续替身： $$f\vee g=f+g+\sqrt{f^2+g^2},\qquad f\wedge g=f+g-\sqrt{f^2+g^2},$$ （$R_0$ 系统；带参 $\alpha$ 的一族 $f+g\pm\sqrt{f^2+g^2-2\alpha fg}$ 可调融合度）。它们的 零集精确等于零集的布尔组合，但除"两参数同时为零"处外处处解析——于是你能规定 光滑度 $C^k$，而不是被迫接受 $C^0$。

vs $\min/\max$：给出同一个集合、却可规定光滑度的连续替身——于是 CSG 结果能进 PDE、能 meshing、能优化。

痛点 (b)(c)：CSG 只能在固定基元上做刚性布尔树；soft blobby 又只会无脑相加。

关键想法：FRep 把实体定义成单个实函数 $f(x)\ge 0\Leftrightarrow x\in$ 实体， 其精髓是闭合性——集合运算（基于 R 函数）、blending、offset、sweep、warp、 笛卡尔积、变形，全是"实函数 → 实函数"的变换，于是任意组合后仍是一个可求值的 $f(x)$。 BlobTree 则把它组织成一棵树：叶子是骨架基元（各发一个势场 $f_i$），内部节点是算子—— blend（求和）、Boolean（min/max 或 R 函数）、warp（先变形查询点再下降）。求 $F(x)$ 就是 一次遍历。

vs CSG 树：把 blending 和 warping 提升为和 Boolean 平起平坐的树节点，让"软融合"和"硬切割"在一棵树里自由混合。

痛点 (c)：硬 $\min$ 并集在缝处产生折痕 → 法向 / 着色 / meshing 全出问题。

关键想法：把硬并集 $\min(a,b)$ 换成光滑融合。多项式式： $h=\mathrm{clamp}(\tfrac12+\tfrac{a-b}{2k},0,1)$，$\mathrm{smin}=\mathrm{mix}(a,b,h)-k\,h(1-h)$； 指数式：$\mathrm{smin}=-\tfrac1k\log(e^{-ka}+e^{-kb})$。参数 $k$ 控制融合半径，$k\to0$ 回到硬 $\min$。这正是 R 函数 $\alpha$ 族的"demo 圈版本"。

vs 硬 min/max：用可调圆角缝合接缝；其指数形 $-\log\sum e^{-kf_i}$ 直接连到下面可学习 CSG 里用的 soft-max。

痛点 (b)(c)：能不能让网络自己把形状解析成一组可组合、可编辑、可解释的基元？

关键想法：CvxNet 把每个凸体写成学到的半空间的交（对半空间 SDF 取 soft-max）， 形状是 $K$ 个凸体的 soft-min 并；指示函数与 SDF 都可微、端到端训练。BSP-Net 用一组学到的超平面 经交 → 并，镜像一棵 CSG/BSP 树，二值化后直接出带尖锐边的多边形网格。CSG-Stump 把任意深度的 CSG 树拍平成定深的"补 → 交 → 并"三层（可证与一般 CSG 等价），给网络一个定维输出。UCSG-Net 则无监督地同时学基元和布尔运算。

vs 手搓 CSG / FRep：把基元和组合结构都变成可微、可学习，于是从数据里"长出"一棵可解释、可编辑的场之树。

痛点 (b)(c)：手挑核的带宽是个超参；能不能让"局部 / 全局关系"由空间邻接结构自然决定？

关键想法：三种几何定义的权重。自然邻坐标把 $x$ 对样本 $p_i$ 的权 定为"$x$ 的 Voronoi 胞从 $p_i$ 原胞里抢走的体积分数"$\lambda_i(x)=\mathrm{vol}(V_i\cap V_x)/\mathrm{vol}(V_x)$， 用它插值各点的带符号距离即得光滑 pseudo-distance 场。均值坐标（MVC）从调和函数的 均值定理出发，给出任意多边形 / cage 上闭式、处处可算的广义重心权 $w_i=\big(\tan\tfrac{\alpha_{i-1}}{2}+\tan\tfrac{\alpha_i}{2}\big)/\|x-v_i\|$。调和坐标 则把每个坐标函数取成 cage 内 Laplace 方程 $\nabla^2 h_i=0$ 的解，于是即便强凹 cage 权也非负。

vs 手挑径向核：权重由 Voronoi / 张角 / 调和延拓导出——它们都满足 $\sum_i\lambda_i\equiv1$，即"天生就是单位分解"，只是来自几何而非核。

痛点 (a)：硬表面表达不了毛发、烟、半透明边界这类"既不是纯内也不是纯外"的东西。

关键想法：把"面"扩展成密度 $\rho(x)=H(F(x),x)$——base shape $F$ 给硬区 / 软区， 软区里用 shaping function 调出体密度。现代写法可以是 $$\rho(x)=\sigma\!\Big(-\tfrac{F(x)}{\tau(x)}\Big)\cdot\beta(x)\quad\text{或}\quad \rho(x)=\beta(x)\,e^{-F(x)^2/2\tau(x)^2}\,|\nabla F(x)|,$$ 其中 $\tau(x)$ 是可学习厚度、$\beta(x)$ 是可学习不透明强度。

vs 把不透明度散喷成点（3DGS）：让不透明度 / 厚度成为依附在全局连续场 $F$ 上的一层可学习"密度壳"，而不是每个点自己喷一点。

痛点 (b)(d)：单一全局 latent + 全局 MLP（DeepSDF）纠缠、不可局部编辑、扩不到大场景。

关键想法：在空间里铺一张特征格 / 平面，查询点的占据值 $o(x)=f_\theta\big(\psi(x,c)\big)$，其中 $\psi$ 是对卷积特征格在 $x$ 处做三/双线性插值、 $f_\theta$ 是共享小 decoder。DeepLS 把一格格独立 latent 各参数化一个局部 SDF；LIG 学一个 part-scale 的局部几何字典、按重叠权混合；IF-Net 用多尺度特征体。它们共同点：场是局部 重建的，全局连续来自重叠 / 插值的码。

vs DeepSDF 的单一全局码：把它局部化成一张码格 + 插值——而那个三线性插值权，恰好就是帽函数单位分解（回到 §2）。

痛点 (b)：一张大 MLP 慢且全局纠缠；能不能让成千个小专家各管一摊？

关键想法：KiloNeRF 把场景切成均匀格，每格一个极小 MLP，查询只用 所在格的网络——这是单位分解的"指示函数（硬盒子）权"极限，比整张 NeRF 快 ~1000×。DeRF 用 学到的 Voronoi 图分区，每胞一个网络，用与排序合成相容的 soft 归一混合（即自适应 Voronoi/Shepard 单位分解）。MVP 用一组可动的小体积基元（带 RGBA voxel 载荷）， 沿光线按不透明度归一混合——这正是3DGS 的场式祖先。

vs 单一 NeRF MLP：分而治之的空间混合专家——KiloNeRF 是硬分区单位分解、DeRF 是软自适应单位分解、MVP 是 soft blob 混合。

痛点 (d)：神经场要 LoD、要快、要按信号复杂度分配容量。

关键想法：NGLOD 在稀疏八叉树角点存特征，SDF 是各层三线性插值特征 之和——遍历几层即得连续 LoD。ACORN 是一棵局部坐标网络的四/八叉树，在线自适应分裂， 块间用单位分解窗混合保连续（论文里明写 partition of unity）。Instant-NGP 用 $L$ 个 分辨率层、每层用哈希表存可训练特征、三线性插值后拼接喂小 MLP——一张学到的多层局部基。 MINER 把 INR 写成 Laplacian 金字塔，每层小 MLP 拟合层间残差（最像小波的化身）。

vs 单尺度网络：用八叉树 / 多分辨哈希 / 金字塔把"层级基"神经化——NGLOD/Instant-NGP 是带三线性单位分解的多层有限元基，MINER 是 Laplacian 金字塔。

痛点 (b)(d)：稠密体素太占内存；能不能用可分离的低秩因子表达场。

关键想法：把特征体当成张量做低秩分解。TensoRF 用 CP（向量外积和） 或更高效的 VM（向量–矩阵）分解 $\mathcal{T}=\sum_r v_r^X\otimes M_r^{YZ}+\cdots$；K-Planes/HexPlane 用 $\binom{d}{2}$ 张特征平面、查询时各平面双线性插值后相乘；Plenoxels 干脆不要 MLP， 稀疏体素存密度 + 球谐系数、三线性插值即得场；DVGO 是"密度体素格 + 浅 MLP"。这些里的基都是 沿轴 / 平面可分离的因子，组合规则是外积 / Hadamard。

vs 稠密体素 / 纯 MLP：把辐射场写成显式低秩张量分解——基 = 可分离因子，省内存、训得快，Plenoxels 更证明"MLP 可有可无、真正干活的是格 + 三线性单位分解 × 球谐基"。

痛点 (b)(d)：这么多神经场表示，到底有没有一个统一的数学骨架？

关键想法：把信号写成若干"因子"之积、再投影： $$ s(x)=\mathbf{P}\Big(\textstyle\prod_i f_i\big(\gamma_i(x)\big)\Big) =\underbrace{c(x)}_{\text{系数场}}\times\underbrace{b(\gamma(x))}_{\text{基函数场}} $$ 其中系数场 $c(x)$ 平滑、低容量，基场 $b$ 常在一个周期 / 平铺坐标变换 $\gamma$ 下取值。选不同因子 就还原出各家：one-hot 系数 + 每格基 → 稠密格 / DVGO；恒等系数 + Fourier 基 → 位置编码 NeRF；平面 / 向量因子 + 乘法组合 → TensoRF / K-Planes；多分辨哈希基 → Instant-NGP。 论文自己的新实例 Dictionary Fields 用"平铺坐标下的共享字典基 × 空间系数场"，更紧凑、更易泛化。

vs 任意单一神经场：证明整个动物园是一个模板——系数场 × 基场——设计自由度只剩 (a) 坐标变换 γ、(b) 基、(c) 组合算子。

痛点 (a)(d)：RBF / Poisson 优雅但核是固定的、且扩不到场景级带噪点云。

关键想法：都还是核岭回归 $f(x)=\sum_i\alpha_i\,k(x,x_i)$，区别在核。Neural Splines 用无限宽浅 ReLU 网的 NTK 当核——把三次样条 / 薄板插值推广到 3D，无需 SGD 训场。 NKF 把核 $k_\theta$ 做成可学习的神经特征内积，测试时按输入点解 $\alpha$，于是核里 编码了形状先验、能泛化到没见过的类别。NKSR 把它扩到场景级：稀疏体素层级 + 紧支撑可学习核 + 稀疏线性解 + 梯度拟合（拟合场的梯度到法向）——而这正是 (Screened) Poisson 的 推广：Poisson 是固定 Green 函数核的特例，NKSR 学这个核、并保留稀疏层级解。

vs 固定核 RBF / Poisson：把核本身变成可学习、加层级与稀疏解——NKSR 即"学出来的 screened-Poisson"，能吃百万级带噪点。

痛点 (c)(d)：MLP 有谱偏置（学不动高频）；多尺度 / 抗锯齿需要频率上的控制。

关键想法：把"局部基"搬到频域。Fourier Features 在输入前做 $\gamma(x)=[\cos 2\pi Bx,\sin 2\pi Bx]$，经 NTK 把网络等效核变成可调带宽的平稳核；SIREN 用 $\sin$ 激活，把频率基烤进激活、且导数精确（能解 Eikonal/Poisson）。BACON 的每层解析带限， 给出无需逐尺度监督的多尺度频带分解。Mip-NeRF 用积分位置编码——对锥台内 Fourier 特征 取期望，按 footprint 衰减高频，正是对神经场做高斯尺度空间（呼应 §17）。NFFB 把空间 层级与频带显式对齐成一个学到的滤波器组（小波）。

vs 朴素 MLP：把表示放进 Fourier / 小波 / 尺度空间——Mip-NeRF 的 IPE 就是 §17 那个 $F(x,s)$ 在神经场上的化身。

痛点 (a)：3DGS 是厚 blob、多视不一致，抠不出干净表面 / 法向。

关键想法：四步增 globality。2DGS 把椭球压成有向 2D 圆盘 （surfel）——基元本身就是 2-流形的一片局部切片，配深度畸变 / 法向一致正则把片们缝成 视角一致的面。Gaussian Surfels 把 z-scale 设 0 达到同样的 surfel 几何。SuGaR 加正则把高斯压到表面上，再跑 Poisson 重建出网格（直接用上了 §13）。GOF 最干脆：由高斯的体渲染直接定义一个不透明度场，表面就是它的等值面， 用 Marching Tetrahedra 抠——这是 2024 系里最彻底的"破碎堆 → 全局场"那一手。

vs 原始 3DGS：要么把基元变成切平面片（2DGS/Surfels），要么把聚合定义成一个真正的标量场取等值面（GOF）——破碎被治愈。

痛点 (a)(b)：能不能不只是事后抠网格，而让显式高斯与一个全局隐式场在训练里互相规整？

关键想法：把局部高斯和全局隐式场同时训、互相引导。NeuSG 把高斯压得极薄 当作 NeuS 隐式面的采样 / 引导。GSDF 是双分支：SDF 分支把高斯往零集拉（更干净、少 floater），高斯的深度 / 密度又反过来监督并加速 SDF 收敛。GVKF 最贴本文主题——对体素化的离散高斯做 核回归，直接建立一个连续（隐式）场再抠面：核回归本身就是那个 "局部→全局"算子，是本文论点的代表作。

vs 事后 Poisson 网格：把"显式局部基元 ⇄ 全局连续场"做成双向耦合的联合优化（GVKF 更是直接用核回归把高斯变成连续场）。

痛点 (b)(d)：3DGS 是一锅无结构的散点，没层级、没自适应、城市级扛不住。

关键想法：给散点装上结构。Scaffold-GS 用一张稀疏 anchor 点格，每个 anchor 现场用 MLP 按视角 / 距离预测一小撮局部神经高斯——anchor 就是一个 局部 chart，全局场 = 一组被共享网络解码的 charts（正是"局部基元 → 装配场"的框架）。 Octree-GS 把 anchor 组织进八叉树，按观察距离选 LoD。Inria 的 Hierarchical 3DGS 把真高斯合并成一棵树（内部节点是子节点的近似）， 支持 LoD 选择与层间平滑插值，分块训城市级。

vs 扁平 3DGS：用 anchor（局部 chart）+ 八叉树 / 合并树（层级），把散点装回一个有结构、可 LoD 的多尺度场。

痛点 (a)(c)：高斯的无限拖尾、各向同性径向、糊边——用更富的局部基元能不能更少基元、更利索的全局场。

关键想法：把基元升级。3D Convex Splatting 用 3D 光滑凸体，能表达硬边 / 平面、基元更少。Deformable Beta Splatting 换成有界支撑、频率自适应的 Beta 核（拖尾不再无限，更接近真分区）。DRK 让径向轮廓沿角度可变、得到带可控边缘锐度 的星形 footprint。Splat-the-Net 把每个基元做成"椭球内的浅神经密度场"，且 有闭式线积分——用 10× 更少的基元达到 3DGS 质量。

vs 高斯核：用凸体 / 有界 Beta / 各向异性径向 / 神经 splat 等更富、更"紧支撑"的局部基元，更少基元、更接近良态全局场。

痛点 (d)：splat 表示能不能内建连续 LoD / 更便宜的核。

关键想法：选基元的代数形式来让全局场更好用。Fourier Splatting 给基元 挂Fourier 描述子，运行时截断 Fourier 系数即连续调节细节（内建 LoD， 呼应 §29）。Polynomial-kernel splatting 把指数高斯核换成多项式核（紧支撑、算得更便宜，比无限拖尾的 高斯更"分区友好"）。

vs 固定高斯核：在频域 / 多项式里选核，换来内建 LoD（截断系数）或更低算力——把 §16/§29 的层级与频率思想塞进 splat 基元。

痛点 (a)：3DGS 的"破碎"一半来自渲染数学本身——2D billboard 的 alpha 合成不归一、依赖排序、会 popping。

关键想法：从积分层面修。EVER 对椭球做精确的发射型体渲染 （光线追踪，而非投影 billboard 合成），消除 popping 与视角相关密度。3DGRT 用 BVH 光追 高斯粒子、支持二次光线（反射 / 折射）。Radiant Foam 最激进：把场景表示成 Voronoi "泡沫"（一个体网格）并用经典网格遍历光追——这是最强的"真·全局剖分"：局部胞精确铺满 空间（Voronoi 胞上的一个真单位分解），是重叠 blob 的反面。

vs 2D billboard alpha 合成：把全局聚合做成精确的体积分（EVER/3DGRT）或空间剖分（Radiant Foam）——从渲染数学层面根治"全局破碎"。