【3dgs】3DGS与NeRF对比

以下是 3DGS（3D Geometry Sensing）与 NeRF（Neural Radiance Fields）对比表格：
更加详细的资料，轻参考：
NERF/3DGS
在这里插入图片描述

对比维度	3DGS (3D Geometry Sensing)	NeRF (Neural Radiance Fields)
基本原理	基于几何推断，通过多视角图像、深度传感器、LiDAR等获取显式3D几何信息。	基于神经网络拟合体积辐射场，通过多视角图像学习隐式表示，渲染出场景。
输入数据	多视角图像、深度信息（LiDAR、ToF相机）、位姿数据、点云。	多视角图像（通常包括相机位姿），不需要显式的几何信息。
输出结果	点云、网格、三角形模型、深度图、纹理映射等显式几何结构。	通过体积渲染生成逼真图像（视角相关），不直接输出几何模型。
数据处理方式	使用几何关系（如三角测量、立体视觉等）来显式重建场景结构。	使用神经网络隐式建模颜色和密度，通过体积渲染生成图像。
几何信息	显式获取3D几何信息，可以精确测量物体的距离和形状。	隐式推断几何信息，主要用于图像渲染，几何结构不直接输出。
渲染效果	依赖于重建的几何结构，渲染效果有限，尤其在复杂光线场景下效果一般。	渲染效果非常逼真，尤其在反射、遮挡、折射等复杂光照场景表现优异。
计算资源需求	需要较强的几何计算能力，数据获取通常依赖于多传感器系统（LiDAR等）。	需要高计算资源，特别是训练神经网络的过程计算量大，通常依赖于GPU。
渲染速度	实时性较好，特别是有深度传感器时可实现快速重建。	渲染速度较慢，尤其在训练阶段耗时长，但有即时渲染版本。
应用场景	自动驾驶、机器人导航、工业检测、3D建模、AR/VR、精密测量。	电影视觉特效、虚拟旅游、虚拟现实内容生成、复杂光照场景的渲染。
优点	可以显式建模、精确几何测量、适用于实时应用；深度传感器辅助时重建精度高。	渲染质量极高，能处理复杂的光照、遮挡问题；不需要昂贵的深度传感器。
缺点	在处理复杂光照（如透明物体、反射面）时效果不佳，依赖昂贵的传感器数据。	渲染速度慢，训练时间长，初始设计不擅长生成明确的几何信息。
几何建模精度	高，适合用于需要精确几何信息的场景（如测量、导航、物理模拟等）。	几何建模是隐式的，主要依赖于神经网络推断，不适合用于测量等任务。
光照处理	处理复杂光线条件较困难，通常需要额外的算法来应对光线反射和折射。	对复杂光照场景处理效果出色，能够处理反射、折射、遮挡等问题。
实时性	实时性较强，特别是在配合LiDAR等传感器时。	需要较长的时间进行训练和渲染，不适合实时应用（加速版本除外）。
数据获取成本	高，需要多视角相机或昂贵的深度传感器（如LiDAR）。	低，仅需多视角图像数据，不依赖于专门的传感器。