面向真實場景的三維高斯潑濺方法3D Gaussian Splatting Methods for Real-World Scenarios

研究問題

這篇想回答的是，在室內無遮擋和戶外有植被遮擋這兩種真實場景裡，不同平台上的三維高斯潑濺方法，能不能在幾何精度與完整度上挑戰傳統的 MVS 與最新的 NeRF，並且可靠重建被植物擋住後方的幾何。

材料與方法

作者用 STELLA 資料集的兩個場景，一個是無遮擋的 Original、一個是用植物當非透明遮擋的 Vegetation，待評估的是一尊 0.7 公尺高的佛像，各沿環形軌跡拍 125 張影像，地面真值是 0.1 公釐精度的結構光網格。他們比了六種方法，傳統 MVS、NeRF 代表 Nerfacto，再加上四種 3DGS，分別是原始 3DGS-Basic、以 gsplat 為核心的 Splatfacto、用馬可夫鏈蒙地卡羅取代啟發式增稠的 3DGS-MCMC，以及雲端專有的 3DGS-LumaAI。各方法先用 SfM 估位姿與稀疏點雲，再把點雲用 ICP 對齊網格，最後用 cloud-to-mesh 算精度的 Mean、SD、RMSE 和 5 公釐門檻內的完整度。

結論

結論很清楚。精度上 MVS 最準，原始 3DGS-Basic 全場第二、還贏過 NeRF，是最準的 3DGS 方法；完整度上 3DGS-MCMC 在無遮擋場景拿到 99.45% 全場最高。但只要一加上植被遮擋，所有 3DGS 方法的完整度都大幅下滑，3DGS-Basic 從 82.75% 掉到 42.71%。效率上 NeRF 最快只要 15 分鐘，MVS 最慢約一小時十五分。最關鍵的是作者證實 3DGS 真的能重建植物遮擋後方的幾何，指向森林冠層重建與生物量估算的應用潛力。

討論與我的觀察

對我來說，這篇把森林數位孿生最前端的三維重建講得很具體，而且特意做了植被遮擋這個和森林冠層直接相關的場景。最有價值的是它沒有捧 3DGS 為萬靈丹，而是切出邊界，精度上還是 MVS 最準、3DGS-Basic 第二，完整度看似 3DGS-MCMC 最強，但一遇到遮擋就腰斬，所有 3DGS 法都對遮擋敏感。它也誠實點出 NeRF 與 3DGS 精度輸 MVS 的根因是物件內部的偽影點，稠密不等於準確。限制也很實在，只用一尊佛像和兩個小場景驗證，沒辦法直接推到大尺度天然林，而且作者自己說處理遮擋密集的大片森林需要很高的記憶體與運算量。所以在我的 review 裡，它正好和 Tian 2025 的林分 NVS 比較、Chen 2024 的城市樹木建模、Buonocore 的概念框架擺在一起，補上前端重建這一塊的技術細節。

重要科學發現

• 原文 Table 1 確認，原始 3DGS-Basic 精度全場第二、優於 NeRF，植被場景 RMSE 7.49 mm 對 NeRF 12.67 mm。
• 原文 Table 1 確認，3DGS-MCMC 在無遮擋的 Original 完整度達 99.45%，為全場最高。
• 原文 Table 1 確認，3DGS-Basic 完整度由 Original 的 82.75% 在 Vegetation 掉到 42.71%，所有 3DGS 法都對遮擋敏感。
• 原文 Section 6 確認，作者證實 3DGS 能可靠重建植被遮擋後方的幾何，指向冠層重建與生物量估算潛力。

關鍵短引用

原始 3DGS 精度第二、優於 NeRFp.648 Sec 6

所有 3DGS 法在遮擋下完整度更低p.646 Sec 5

博士生的話

這篇給我博論在 FDT 前端三維重建層一條具體的方法選型參考，量化說明 3DGS 各變體與 MVS、NeRF 在精度、完整度與看穿遮擋上的取捨；對 TJFS review，它是 Ch7 數位孿生章節裡少數專門檢驗植被遮擋的物件尺度 3DGS 重建實證，能和林分 NVS 比較與概念框架文獻形成由概念到落地的對照。