3DGS vs NeRF 技术选型对比表
基于 L4 和 L5 的工程实践，汇总两种方法在速度、质量、资源、应用场景上的系统对比。用于快速技术选型决策。
📊 核心指标对比
| 维度 | NeRF (nerfacto) | 3DGS (splatfacto) | 胜出 |
|---|
| 训练速度 | ~30 min (30k iters) | ~5-10 min | 3DGS |
| 渲染速度 | ~1-2 fps | ~60+ fps | 3DGS |
| 渲染质量 (PSNR) | ~30-33 dB | ~31-34 dB | 持平 |
| 渲染质量 (LPIPS) | ~0.05-0.12 | ~0.04-0.10 | 持平 |
| 模型大小 | ~10-50 MB | ~100-500 MB | NeRF |
| 训练显存 | ~4-8 GB | ~6-12 GB | NeRF |
| 导出通用性 | 需专用推理代码 | PLY 通用格式 | 3DGS |
| 网格提取 | marching cubes 成熟 | 需额外表面重建 | NeRF |
🎯 场景决策树
- 需要实时渲染？
- 需要紧凑模型 (< 50MB)？
- 需要精确三角网格？
- 是 → NeRF（marching cubes 稳定）
- 否 → 继续
- 显存 < 6GB？
- 是 → NeRF（可在 4GB 运行）
- 否 → 继续
- 需要快速迭代大量场景？
- 是 → 3DGS（训练快 10 倍）
- 否 → 两者皆可，看团队熟悉度
🔍 细分场景对比
| 场景 | NeRF | 3DGS | 建议 |
|---|
| 虚拟展厅 / 博物馆 | Viewer 延迟明显 | 流畅漫游，体验好 | 3DGS |
| 电商商品展示 | 模型小，易嵌入 | 实时旋转，交互好 | 均可（看平台） |
| 建筑 / 室内测绘 | mesh 提取成熟 | 细节更丰富 | NeRF（需要 mesh） |
| 影视预演 / 概念设计 | 离线渲染质量可控 | 实时预览迭代快 | 3DGS |
| 移动端 AR | 模型小，推理可控 | 模型大，但渲染快 | NeRF（目前） |
| 自动驾驶场景重建 | 训练慢，不适合大规模 | 训练快，可扩展 | 3DGS |
| 文物数字化存档 | 长期保存格式稳定 | 细节还原度高 | 均可 |
⚠️ 两种方法都不擅长的场景
| 场景 | 原因 | 可能的解决方向 |
|---|
| 透明物体（玻璃、水） | 体积渲染假设光线在介质中传播，难以处理折射和透射 | 专门训练反射/透射模型；结合物理渲染 |
| 动态场景（人、车移动） | 两者都假设静态场景 | 4D NeRF / dynamic 3DGS（前沿研究） |
| 超大规模场景（城市级） | 显存和训练时间爆炸 | 分块训练 + 场景融合；层级表示 |
| 无纹理区域（白墙、天空） | COLMAP 位姿估计失败，两种方法都依赖准确位姿 | 结合 IMU / LiDAR 位姿；深度监督 |
📈 趋势判断
- 3DGS 正在快速成为静态场景的主流：训练快、渲染快、质量相当，工程优势明显
- NeRF 在特定场景仍有不可替代性：模型压缩、网格提取、动态场景扩展（4D NeRF 更成熟）
- 两者正在融合：nerfstudio 已支持 splatfacto，GaussianShader 等工作在结合两者的优点
- 压缩是 3DGS 的下一个战场：当前 100-500MB 的模型难以用于移动端，压缩方法（如 GaussianEditor、Scaffold-GS）正在快速发展
📚 关联课程