3D高斯泼溅、网格与体素——有何区别
如何选择适合可步行3D场景的格式
引言
你扫描了一个房间。纹理效果令人惊艳——阳光透过窗户洒进来，角落里光影分明，每个细节都清晰锐利。你切换到第一人称视角，向前迈出一步，然后立刻穿过墙壁掉进了虚空。
这就是当今三维数据工作的现实：你如何表达一个场景，决定了你能用它做什么。 一种能提供震撼真实感的格式，可能在基本的碰撞检测上完全失效。一种让你穿墙而过的格式，可能恰恰是光影捕捉最完美的那一个。
三种主流的表达方式——3D高斯泼溅（3DGS）、多边形网格和体素——各自解决不同的问题。没有"最好"的格式，只有适合你目标的正确格式。
本文剖析每种表达方式的原理、各自的优势、各自的短板，以及如何在不同场景中做出选择——尤其是当你的目标是构建一个可步行、高真实感的三维场景时。
1. 三维数据如何表达：快速概览
在深入细节之前，先从最基础的层面定义这三种格式。
| 格式 | 描述 |
|---|---|
| 3D高斯泼溅（点云） | 数百万个半透明椭球体（高斯），每个携带颜色、位置、透明度和协方差矩阵。它们共同构成连续、高度逼真的场景。 |
| 网格（Mesh） | 由顶点、边和多边形面（通常为三角形）构成的网络，定义了物体或场景的显式表面。纹理通过UV坐标映射到表面上。 |
| 体素（Voxel） | 三维网格中的立方体单元，每个单元存储一个值——被占据或为空，可附带颜色和密度数据。相当于三维的"像素"。 |
三种格式各有来源：点云来自激光扫描和摄影测量；网格来自计算机图形学和CAD；体素来自医学影像和科学可视化。如今，它们在虚拟导览、数字孪生、三维内容创作等应用场景中正走向融合。
为什么表达方式如此重要： 格式选择会串联影响每一个下游决策——你能单独编辑物体吗？能做碰撞检测吗？能在浏览器中实时传输场景吗？能精确测量距离吗？回答这些问题，首先要理解每种格式能提供什么、不能提供什么。
2. 3D高斯泼溅（3DGS）：真实感渲染的新标准
2.1 什么是3D高斯泼溅？
3D高斯泼溅由 Kerbl 等人于2023年提出，用密集的3D高斯集合来表现场景——这些柔软、各向异性的椭球体相互重叠，从任意视角渲染都能形成连续图像。
不同于传统点云中每个点是硬性的、无穷小的点，每个高斯拥有：
- 位置（xyz）： 在三维空间中的坐标
- 协方差（3×3矩阵）： 决定了它的形状——拉伸、扁平或球形
- 颜色（RGB）： 以球谐函数编码，颜色会随视角变化自然偏移
- 透明度（α）： 从完全透明到完全不透明
渲染3DGS场景时，渲染器按深度对所有高斯排序，然后从前到后进行混合——这个过程叫"泼溅（splatting）"。最终得到连续、无缝的图像，对反射、半透明、高光等细节的捕捉效果远超纹理贴图的网格。
2.2 为什么3DGS优于传统方法
| 能力 | 3DGS | 摄影测量（Mesh） | NeRF |
|---|---|---|---|
| 真实感 | 极佳（视角相关光照） | 良好（受纹理分辨率限制） | 极佳 |
| 重建速度 | 快（分钟级） | 慢（需数小时人工清理） | 非常慢（训练需数小时） |
| 实时渲染 | 是（消费级GPU 30+FPS） | 是（游戏引擎） | 否（需推理） |
| 所需数据量 | 50-200张图片 | 50-200张图片 | 50-200张图片 |
| 可编辑性 | 有限（工具正在涌现） | 广泛（成熟工具链） | 非常有限 |
3DGS之所以迅速流行，是因为它提供了NeRF级别的画质和Mesh级别的渲染速度。在虚拟导览、电商三维展示、数字文博等场景中，它已经成为首选方案。
2.3 核心局限：没有实体表面
这里有一个关键问题：3DGS场景本质上是大量模糊、重叠的椭球体集合，不是实体几何。没有"表面"的概念，没有"内部"和"外部"的界限。
在实践中，这意味着：
- 射线检测会直接穿过场景，碰不到任何明确的东西
- 第一人称碰撞检测不工作——摄像头会飘进墙壁和地板
- 物理模拟（重力、刚体）找不到可碰撞的物体
- 测量和标注工具需要通过算法来推断表面
这不是bug——这是一种取舍。3DGS优先保证视觉真实感，牺牲了几何的明确性。对于第三人称观看、转盘展示或飞行穿越视频，这完全没问题。但对于第一人称步行——比如你想走向厨房操作台而不穿过地板——这就是个待解决的问题。
3. 网格（Mesh）：行业主力
3.1 多边形网格如何工作
网格是由顶点、边和面组成的集合，定义了三维物体的显式表面。大多数网格由三角形构成，因为三角形总是平面的——三点总能确定一个平面，这让渲染和物理计算变得可预测。
网格存储：
- 顶点位置（每个角点的三维坐标）
- 面索引（哪些顶点构成每个三角形）
- UV坐标（二维纹理如何映射到三维表面）
- 法向量（每个面朝哪个方向，用于光照计算）
网格是每个游戏引擎、三维建模工具和GPU的原生语言。你玩任何一款电子游戏时，屏幕上的每个物体都是网格。
3.2 优势：碰撞、编辑和引擎支持
显式表面定义为网格带来几个关键优势：
- 碰撞检测内置。 每个游戏引擎都能检测一个点是否与网格三角形相交。走到墙前——停住。
- 成熟的编辑生态。 你可以选择单个面、推拉顶点、展开UV贴图、赋予材质——所有操作都有经过三十多年打磨的工具支撑。
- 标准化。 OBJ、FBX、glTF、USD——网格在不同工具和平台之间通用可移植。
- 对硬表面物体效率极高。 建筑几何、工业零件、任何边缘清晰的物体，网格都是理想选择。
3.3 劣势：从真实扫描中重建的复杂性
问题出现在试图从现实世界扫描中生成网格时：
- 摄影测量产生的是噪声大、面数过多的网格，有数百万个不必要的三角形和拓扑错误
- 手动重拓扑（减少和重组网格结构）是耗时且需要专业技能的工序
- UV展平和纹理烘焙给管线增加大量时间
- 透明、反射和薄结构（玻璃、植物、头发）难以重建
- 视角相关效果（高光随角度偏移）被烘焙固化，不再动态
在受控工作室中扫描单个产品，摄影测量生成网格效果不错。但对于一个整栋房屋或建筑物——有复杂光照和多种材质——这条管线会变得极为耗时。
4. 体素（Voxel）：从Minecraft方块到现实捕捉
4.1 什么是体素？
体素（体积像素）是赋给规则三维网格中每个点的值。最简单的情况：被占据（1）或为空（0）。实际应用中，每个体素还可以存储颜色、密度、材质类型等任意逐单元数据。
可以把体素表示想象成一个三维电子表格：每个单元格有一个地址（x, y, z）和一个值。网格是均匀的——每个单元大小相同——这使得空间查询（"这个点在某物内部吗？"）变得极其高效。
4.2 体素的独特优势
均匀网格结构赋予体素几个独特优势：
- 碰撞检测极为简单。 检查位置（x,y,z）处网格单元是否被占据。完毕。无需射线-三角形相交的复杂数学。
- 保证实体性。 由体素集合定义的物体具有明确的内外边界。你无法"穿过"体素表面。
- 布尔运算简单。 并集、差集、交集——在体素墙上开一扇门非常直接。
- 体积数据原生支持。 密度、温度、材质成分——体素天然适合处理这类数据。
这些特性使体素在医学CT/MRI可视化、科学模拟中不可或缺，也越来越多地用于对碰撞精度要求高的交互式三维场景。
4.3 分辨率权衡
体素的代价是存储。存储量随分辨率的立方增长：
| 网格分辨率 | 体素数量 | 存储量（1字节/体素） |
|---|---|---|
| 256³ | 1670万 | 16 MB |
| 512³ | 1.34亿 | 134 MB |
| 1024³ | 10.7亿 | 1 GB |
| 2048³ | 86亿 | 8.6 GB |
对于建筑精度的房间级场景，你可能需要1024³甚至更高。到2048³时，就需要专业数据结构（稀疏体素八叉树，SVO）来管理了。
视觉质量也受分辨率限制。曲面在低分辨率下看起来像马赛克，高分辨率下才平滑——但每一步提升都要付出指数级代价。
5. 横向对比：3DGS vs Mesh vs Voxel
5.1 对比表
| 维度 | 3DGS（点云） | Mesh（网格） | Voxel（体素） |
|---|---|---|---|
| 真实感 | 极佳（视角相关） | 良好（纹理受限） | 一般（分辨率受限） |
| 重建速度 | 快（分钟级） | 慢（需数小时清理） | 中等 |
| 实时渲染 | 是（GPU光栅化） | 是（游戏引擎） | 是（光线行进） |
| 碰撞检测 | 否（无表面定义） | 是（逐三角形） | 是（逐单元，极简单） |
| 可编辑性 | 有限（新兴工具） | 广泛（成熟生态） | 中等（布尔编辑） |
| 文件大小（房间级） | 50-200 MB | 20-100 MB（优化后） | 16 MB - 8+ GB |
| 物理模拟 | 否 | 是 | 是 |
| 视角相关效果 | 原生 | 烘焙固化 | 困难 |
| Web流式传输 | 良好（WebGL查看器） | 良好（glTF） | 因体积而异 |
| 测量精度 | 良好（点云够密时） | 极佳 | 受网格分辨率限制 |
5.2 不同场景的格式选择
| 应用场景 | 最佳格式 | 原因 |
|---|---|---|
| 电商3D商品展示 | 3DGS | 采集快、视觉惊艳、无需碰撞 |
| VR物理游戏 | Mesh | 引擎原生、碰撞+物理开箱即用 |
| 虚拟看房（飞行穿越视频） | 3DGS | 最高视觉质量、渲染流畅 |
| 虚拟看房（自由行走） | 3DGS + Voxel | 视觉质量 + 体素层碰撞检测 |
| 文物数字化建档 | Mesh或3DGS | 取决于优先级：精度→Mesh，速度→3DGS |
| 医学影像 | Voxel | 体积数据是该领域的原生格式 |
| 建筑BIM | Mesh | CAD原生、尺寸精确 |
| 室内导航（带碰撞） | Voxel或Mesh | 两者都提供显式表面几何 |
规律很清晰：没有任何一种格式能搞定所有场景。 最好的结果来自将它们组合使用——这正是下一节要讲的内容。
6. 从3DGS到可步行场景：Aholo3D的方案
6.1 以3DGS为核心管线
Aholo3D建立在3D高斯泼溅技术之上。平台以图片或视频为输入，数分钟内重建出高度逼真的3DGS场景，并提供完整的编辑工具——裁剪、测量、标注、生成飞行穿越视频，以及导出为PLY或SPZ格式。全部操作在浏览器中完成，支持跨设备同步。
3DGS管线是所有功能的主干：输入 → 重建 → 编辑 → 导出。正是它提供了定义平台的视觉质量和速度。
6.2 步行体验的缺口
但正如第2.3节所讨论的，纯3DGS场景缺乏表面定义。当你切换到第一人称模式、试图在扫描的客厅中行走时，没有任何东西阻止摄像头穿过沙发、墙壁或地板。对于飞行穿越视频和环绕观看，这无关紧要。但对于用户自主控制的沉浸式自由行走体验，碰撞检测至关重要。
6.3 体素转换：可步行场景的备选层
为此，Aholo3D正在开发可选的3DGS转体素功能（目前处于内测阶段）。思路很简单：保留完整的3DGS场景用于视觉渲染，叠加体素网格作为第一人称导航的碰撞遮罩。
工作流程如下：
- 重建场景为3DGS——完整视觉质量、快速出结果
- 可选转换为体素表达，用户可选择分辨率——针对特定场景
- 步行体验场景，由体素网格驱动碰撞检测，以第一人称视角自由行走
6.4 两全其美
这个方案不是用体素取代3DGS，而是给用户一个选择：想飞行穿越场景、欣赏视觉效果？纯3DGS。想像真的在房间里一样走一遍？启用体素步行模式。
核心管线始终是3DGS。体素转换是针对特定场景的增值功能——虚拟看房、博物馆导览、建筑工地巡检——在这些场景中，带碰撞的第一人称导航是演示与可用工具之间的分水岭。
7. 实际应用场景
7.1 虚拟看房
房地产行业已经接受了3D看房，但大多数是拼接式360°照片，只能在固定点位之间跳转。有了3DGS，你可以获得无缝、高真实感的房间级渲染。配合体素步行模式，可以从厨房走到客厅而不穿过地板——这是360°看房无法提供的真实临场感。
7.2 博物馆与文化遗产数字化
博物馆既需要视觉保真度，也需要互动探索体验。3DGS能捕捉展厅微妙的灯光氛围和文物的精细细节。可选的步行模式让观众以自然的导航约束探索虚拟展览——他们待在走廊里，而不是走进展柜内部。
7.3 建筑与施工
对于施工进度记录，3DGS提供快速、高度逼真的现场捕捉。项目管理者可以从任意角度目视检查楼层。当需要"实地"走过平面图时，体素模式提供有根基的、带碰撞感知的导航——非常适合远程检查和客户巡览。
7.4 游戏关卡设计与预可视化
用3DGS扫描的真实场景可以作为游戏关卡的参考或草图素材。设计师可以导出布局、研究空间流线，并将体素表示作为游戏碰撞网格的起点——在真实捕捉和游戏级几何体之间架起桥梁。
8. 常见问题
8.1 能在3D高斯泼溅扫描中走动吗？
在纯3DGS查看器中，你可以将摄像头移动到任何位置——但没有碰撞检测。摄像头会穿过墙壁和物体。可步行的3DGS体验需要一个额外的几何层（如体素网格或网格）来施加物理边界。
8.2 点云和网格有什么区别？
点云是三维空间中离散点的集合，每个点有位置和（通常）颜色，点之间没有连接关系。网格则将这些点连接成由多边形面组成的连续表面。点云从扫描中生成更快，网格在游戏引擎中更容易编辑和使用。
8.3 对于行走体验，体素比网格好吗？
取决于来源。对于用3DGS重建的场景，体素转换通常比生成干净的网格更快——你省去了重拓扑和纹理烘焙的工序。当你需要编辑单个物体或导出到游戏引擎时，网格更好。当你只需要以最小处理量获得可靠的碰撞检测时，体素更优。
8.4 如何将点云转换为体素？
过程涉及在点云上叠加三维网格，如果某个网格单元包含足够多的点（超过密度阈值），则将其标记为被占据。对于3DGS，你需要在每个网格单元中心采样高斯分布——如果累积透明度超过阈值，该单元即为实体。输出是一个可用于碰撞检测的二值（或密度值）三维网格。
8.5 3D高斯泼溅最适合用来做什么？
3DGS擅长捕捉和渲染具有高真实感的真实场景。最佳应用场景包括虚拟导览、电商产品可视化、文化遗产数字化，以及任何视觉质量优先于几何可编辑性的场景。它也越来越多地被用作捕捉格式，再流入其他表达方式（网格、体素）用于下游应用。
9. 结语：为你的项目选择正确的格式
3D高斯泼溅、网格和体素不是竞争者——它们是各有优势的工具。正确的问题不是"哪个最好"，而是"哪种组合能给你所需的结果"。
- 如果你需要在最短时间内获得最高视觉保真度： 3DGS是答案。
- 如果你需要深入编辑、物理模拟或游戏引擎集成： 网格是行业标准。
- 如果你需要可靠的空间推理和碰撞检测： 体素提供简洁和稳健。
- 如果你全都要——视觉效果、碰撞和可步行性： 用3DGS做渲染，用体素做碰撞层，两者组合。
最后这种组合正是行业的发展方向：用视觉最保真的方式捕捉世界（3DGS），然后在交互需求要求结构化几何的地方（体素或网格）补上相应的数据层。关键不是选择一种格式，而是知道什么时候该用哪一种。