awesome-3D-gaussian-splatting
3DGS领域最具影响力的学术资源库，收录500+论文与工具，持续追踪实时3D渲染前沿进展
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
3DGS领域最具影响力的学术资源库，收录500+论文与工具，持续追踪实时3D渲染前沿进展
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象你正在观看一部科幻电影，主角戴着一副轻便的眼镜，瞬间就能在眼前生成一个真实感极强的三维场景——街道、建筑、人物，所有细节都栩栩如生，视角移动时光影随之变化，毫厘不失真。这不是后期特效，而是 3D Gaussian Splatting（简称 3DGS）技术正在努力实现的目标。而今天要介绍的这个项目，正是通往这个目标的知识地图。
要理解 3DGS，先从它的前辈 NeRF（Neural Radiance Fields）说起。NeRF 的核心思路是：把一个三维场景看作一团看不见的墨水云，用神经网络来描述每个点的颜色和密度。当光线穿过这团云时，积累颜色和透明度，最终渲染出画面。效果很好，但速度极慢——生成一张图需要几秒到几分钟，实时渲染几乎不可能。
3D Gaussian Splatting 于 2023 年横空出世，论文来自法国 Inria 研究团队。它换了一个思路：不再用神经网络隐式表达空间，而是用数百万个 3D 高斯椭球（Gaussian Ellipsoids） 来显式填满三维空间。每个高斯球有自己的位置、形状、颜色和透明度参数，渲染时把它们按顺序泼洒（splat）到屏幕上。这个方法结合了传统计算机图形学和现代深度学习的优势，在保持高质量的同时，实现了 实时渲染（30 FPS 以上）。
如果说 NeRF 是一瓶会学习的墨水，那 3DGS 就是一瓶能被精确操控、数以百万计的彩色光点——每个光点都知道自己该在哪里发光、该发什么颜色。
图1：3DGS 渲染效果示意 — 每个光点对应一个高斯椭球参数
这个项目由 MrNeRF 维护，是一个持续更新的 3DGS 论文与资源精选列表，目前已超过 8600 颗星，是 3DGS 领域最具影响力的社区资源库。它不是简单的书签合集，而是一个经过系统性整理的学术导航系统。
项目亮点：
分类清晰：涵盖论文实现、查看器与游戏引擎支持、工具与实用程序、学习资源四大板块
持续活跃：最近更新于 2026 年 5 月，论文数据库持续收录最新研究
配套工具：提供 PyQt6 桌面 GUI 编辑器和 YAML 在线编辑器
可视化索引：收录 500+ 篇论文，每篇配有缩略图预览
图2：项目收录的论文缩略图 — 支持图片预览快速定位内容
项目维护一份详尽的 awesome_3dgs_papers.yaml 结构化数据库，收录超过 500 篇相关论文。每条记录包含标题、作者、发表机构、GitHub 链接、论文 PDF 和摘要。论文按主题分类：
实时渲染加速：针对 3DGS 渲染速度优化的研究，如分块渲染（Tile-based）、LOD（多层次细节）等
动态场景建模：如何用高斯球表达人物动作、物理模拟、流体等动态内容
稀疏视角重建：仅用少量照片重建高质量 3D 场景
物理仿真：高斯球与物理引擎的结合
可微渲染：端到端可训练的 3DGS 变种
项目整理了主要框架的官方和社区实现：
graphdeco-inria/gaussian-splatting：原始论文的官方 PyTorch 实现
MrNeRF/LichtFeld-Studio：C++/CUDA 高性能版本
nerfstudio-project/gsplat：nerfstudio 生态下的实现
Taichi 3D GS：使用 Taichi 语言的高性能实现
图3：社区实现框架示例 — 不同语言/引擎的 3DGS 变体
3DGS 的实时渲染能力让它天然适合游戏和 VR/AR 场景。项目收录了多种引擎的接入方案：
Unreal Engine / Unity 插件：将 .ply 格式的高斯点云导入游戏引擎
WebGL 查看器：无需安装，在浏览器中直接查看 .splat 文件
Three.js / Babylon.js 实现：JavaScript 环境下的 3DGS 渲染
从代码结构看，这个项目的技术选型非常务实：
| 组件 | 技术选型 | 用途 |
|------|---------|------|
| 前端展示 | HTML + JavaScript | GitHub Pages 静态网站 + 搜索数据库 |
| 资源管理 | YAML | 结构化论文元数据 |
| 内容生成 | Python (PyQt6) | 桌面端 GUI 编辑工具 |
| 爬虫集成 | Python (arxiv) | 自动抓取 arXiv 论文元数据 |
| 模板引擎 | Python Jinja2 | 生成 HTML 静态页面 |
项目采用 GitHub Pages + YAML 数据源 + Python 脚本生成器 的模式：维护者用 editor.py 或命令行工具管理 YAML，运行 generate.py 生成静态 HTML 网站，部署到 GitHub Pages。用户无需任何安装，直接在网页上浏览和搜索。
方式一：纯浏览（零门槛）
直接访问 https://mrnerf.github.io/awesome-3D-gaussian-splatting/ ，这是项目维护者部署的在线数据库，支持标题搜索和分类筛选。
方式二：本地工具参与贡献
git clone https://github.com/MrNeRF/awesome-3D-gaussian-splatting.git
cd awesome-3D-gaussian-splatting
pip install -r requirements.txt
python editor.py # 启动 PyQt6 GUI 编辑器
python src/paper_generator.py # 命令行工具
方式三：直接提交 Pull Request
在 awesome_3dgs_papers.yaml 中按格式添加新论文信息，参考 CONTRIBUTING.md 的规范，通过 GitHub PR 提交贡献。
这个项目本质上是知识整理工具，而非算法实现本身。对于想深入理解 3DGS 原理的研究者，它提供了丰富的论文入口，但缺少对核心算法的系统性解读。此外，部分社区实现的质量参差不齐，需要读者自行甄别。
另一个值得注意的是：3DGS 技术本身仍在快速迭代——2024-2025 年间出现了 3DGS 与 Diffusion Model 结合、4D 动态场景重建、基于 3DGS 的 SLAM 等新方向，这些内容的持续追踪对研究者而言仍有价值。
3D Gaussian Splatting 正在成为计算机图形学与 3D AI 交叉领域的核心基础设施。相比 NeRF，它更快的渲染速度打开了实时应用的大门；相比传统 3D 重建（MVS、Photogrammetry），它的端到端可微特性让优化更简单。随着游戏引擎、工业建模、AR/VR、机器人感知等场景对实时 3D 的需求爆发，3DGS 的影响力只会越来越大。
awesome-3D-gaussian-splatting 正是这个快速演进领域的知识中枢。无论你是想了解 3DGS 的入门概览，还是深挖某个细分方向（比如 SLAM + 3DGS），这份清单都能帮你省去大量文献检索的时间。对于 AI 研究者和开发者而言，这不是一个需要部署的项目，而是一个值得加收藏夹、时不时回来刷一刷的活文献库。