Gaussian Splatting 插件新功能

在本次 Evergine 新版本中，我们继续推进 Gaussian Splatting 插件，引入了两项重要的新能力：支持 SOG 压缩格式 以及完整的 WebGPU 渲染支持。这些新增功能带来了更高的存储效率，并为该插件适配下一代渲染管线做好了准备。

3D Gaussian Splatting 回顾

3D Gaussian Splatting 是计算机图形学中的一项先进技术，通过将点云中的点（即“splats”）投影到 3D 空间中，并对每个 splat 使用高斯函数，来创建高保真、照片级逼真的 3D 场景。该技术支持复杂的视图依赖视觉效果，超越了传统的点云渲染，能够生成动态且栩栩如生的可视化效果。

3D 空间被定义为一组高斯分布，每个高斯的参数通过机器学习计算得出。

它类似于计算机图形学中的三角形光栅化：不同的是，这里绘制的是高斯体而非三角形。每个高斯体由其位置、协方差、颜色和透明度来描述。

新功能

本次 Evergine 版本为 Gaussian Splatting 插件 带来了重要的新能力，扩展了格式支持和渲染后端灵活性。

SOG 格式支持

该插件现已支持由 PlayCanvas 开发的 SOG 格式，这是一种高度压缩的 Gaussian Splatting 文件格式，其名称代表 空间有序 高斯体。它基于弗劳恩霍夫海因里希·赫兹研究所的研究论文 《通过自组织高斯网格实现紧凑的 3D 场景表示》（Morgenstern 等人，ECCV 2024）。PlayCanvas 采纳并推广了这种格式，使其适用于实时 Web 部署。

SOG 工作原理：将高斯体视为纹理

SOG 背后的核心洞见在于，描述 Gaussian Splatting 场景的所有数据（位置、颜色、透明度以及被称为 球谐函数 的复杂视角依赖光照信息）都可以排列成规则的 2D 图像，就像视频游戏中的纹理一样。一旦场景数据以这种方式组织起来，标准图像压缩（与 JPEG 或 PNG 使用的压缩方式相同）就能极其高效地对其进行压缩，因为图像编解码器正是针对这类结构化、空间连贯的数据进行了高度优化。最终得到的文件大小仅为其他格式的几分之一，且视觉质量损失可忽略不计。

为什么 SOG 优于压缩的 .ply

压缩的 .ply 格式的一个关键限制在于，虽然它量化了 splat 的位置、尺度、旋转和基础颜色，但它 不压缩球谐函数（SH）系数。球谐函数编码了视角依赖的颜色效果，即 splat 的外观如何随观察角度变化，它们占据了总文件大小的很大一部分，尤其是对于以高 SH 阶数捕获的场景。

由于 SOG 将所有参数（包括 SH）存储为 2D 网格图像，它使用相同的图像压缩管线，像压缩其他数据一样高效地压缩 SH 系数。这是其文件大小具有显著优势的主要原因。

SOG 格式的主要优势包括：

• 基于纹理的存储：所有高斯参数被组织成 2D 网格并作为图像压缩，能够复用高度优化的图像压缩技术。
• 球谐函数（SH）压缩：与压缩的 .ply 格式不同，SOG 完全压缩了 SH 系数，而这正是高质量捕获中文件大小的最大贡献者。
• 显著更小的文件体积：网格组织、局部平滑性约束和图像压缩的结合，相较于原始 3DGS 实现了 19.9 倍至 39.5 倍的压缩比，相较于压缩的 .ply 约为 5 倍，同时保持了视觉质量。
• 简单的解码过程：解压 SOG 文件仅需标准图像解压后进行重新缩放，无需复杂的码本或神经网络。
• 更快的加载时间：更小的文件直接转化为更快的资产加载，改善了最终用户体验，尤其是在流式传输场景中。
• 对 Web 和移动端友好：紧凑的表示形式使 SOG 成为在资源受限环境中部署 Gaussian Splatting 场景的理想选择。

实际文件大小对比

为了说明其影响，以下是一个使用同一场景导出为每种格式的真实示例。以压缩的 .ply 作为基准：

与已经压缩的 .ply 相比，SOG 格式节省了约 80% 的存储空间，这种缩减完全由球谐函数压缩驱动，而这正是压缩的 .ply 格式根本不支持的功能。

WebGPU 渲染支持

Gaussian Splatting 插件现在可以使用 WebGPU 作为其渲染后端。这并非一项简单的补充：它需要同时在两条战线上开展工作。一方面，Gaussian Splatting 插件 本身进行了更新以支持 WebGPU 渲染路径，使其排序、缓冲区管理和绘制调用适应 WebGPU API。另一方面，Evergine 的 WebGPU 后端 的某些区域也得到了修复和改进，以确保所有功能能正确地协同工作。

WebGPU 为 Gaussian Splatting 带来的优势

• 现代 GPU 访问：WebGPU 提供了类似于 Vulkan 和 Metal 的底层、显式 GPU 控制，从而在 splat 排序和渲染过程中更高效地利用 GPU 资源。
• 在支持的平台上性能更佳：在支持 WebGPU 的平台和浏览器上，与基于 WebGL 的渲染相比，此后端可以提供更高的帧率和更低的 CPU 开销。
• 面向未来的架构：随着 WebGPU 在浏览器和平台上的普及，这项投入确保了 Evergine 的 Gaussian Splatting 能力在不断发展的 Web 生态系统中保持相关性和高性能。
• 为即将推出的功能奠定基础：WebGPU 解锁了计算着色器能力，这对于该插件未来的增强功能至关重要。

下一步计划

我们正积极致力于在未来的版本中为 Gaussian Splatting 插件带来更先进的渲染能力。

随机光栅化

目前最激动人心的开发领域之一是基于研究论文 “StochasticSplats：用于免排序 3D Gaussian Splatting 的随机光栅化”（Kheradmand 等人，ICCV 2025）的 Gaussian Splatting 随机渲染。它提出了一种根本不同的方法，用于在屏幕上合成 splat。

传统的 Gaussian Splatting 渲染依赖于 Alpha 混合，这要求所有 splat 在每一帧之前都相对于相机进行 从后到前的排序。这个排序步骤计算开销很大，对于大型场景，尤其是在高帧率下，可能成为瓶颈。

随机渲染采用了一种完全不同的方法：

• 无需排序：splat 在渲染前无需排序，消除了经典 Gaussian Splatting 的主要性能成本之一。
• 无 Alpha 混合：随机渲染不使用半透明图层混合，而是采用一种 随机透明度 形式，结合抖动和专门的着色效果，以达到视觉上等效的结果。
• 顺序无关：无论 splat 的绘制顺序如何，最终图像都是一致的，极大地简化了渲染管线。
• 更高的性能潜力：通过消除排序依赖，这种方法为在复杂场景中实现更好的 GPU 并行性和更高的持续帧率打开了大门。

同样值得注意的是，采用 WebGPU 作为渲染后端，为实现更高质量的随机渲染解决方案打开了大门。我们期待在此功能成熟时分享更多细节。

结论

此版本为 Gaussian Splatting 插件带来了两大进步：原生支持 PlayCanvas 的紧凑型 SOG 格式，其关键优势在于完全的球谐函数压缩；以及能够使用 WebGPU 后端渲染 Gaussian Splatting 场景。这些新增功能共同使该插件更通用、更高效，并为实时 3D 渲染的未来做好了准备。随着随机渲染即将到来，更精彩的还在后头。

作者：David Ávila Membrives，高级研究员