近年來，3D 模型重建技術日新月異，其中攝影測量法 (Photogrammetry) 和 高斯散射 (Gaussian Splatting) 兩大技術在業界備受關注。這兩種方法都以2D影像為基礎，但其原理和產出的模型品質卻有著顯著差異。
傳統攝影測量法：精準重建的基石
傳統的攝影測量法，透過多張從不同角度拍攝的2D影像，經過一系列的計算和處理，重建出精確的3D模型。這個過程可以簡單分為以下幾個步驟：
- 影像擷取 (Image Acquisition): 使用相機或攝影機從不同角度拍攝目標物體或場景。
- 特徵提取 (Feature Extraction): 從影像中提取關鍵點（如角點、邊緣），這些點是重建的基礎。
- 影像匹配 (Image Matching): 找出不同影像中對應的關鍵點，建立點與點之間的關聯。
- 3D重建 (3D Reconstruction): 基於匹配的關鍵點，利用三角測量等方法計算出3D空間中的點座標，形成密集的點雲。
- 網格化與紋理化 (Meshing and Texturing): 將點雲轉換為連續的三角形網格，並將影像的紋理資訊映射到網格上，形成完整的 3D 模型。
傳統攝影測量法的優勢：
- 精確度高: 能夠重建出高精度的3D模型，廣泛應用於建築測量、文物保存等領域。
- 成熟穩定的技術: 經過多年的發展，技術相對成熟。
傳統攝影測量法的限制：
- 計算成本高: 特別是對於大型場景或高解析度影像，計算量巨大。
- 對影像品質要求高: 影像中的雜訊、模糊等因素會影響重建結果。
- *細節處理困難:**對於細節豐富或紋理較少的區域，重建效果可能不佳。
高斯散射：實時渲染的未來
高斯散射則是一種新興的技術，它利用深度學習，特別是神經網絡，來實現更快速、更高效的3D重建。其工作原理如下：
- 影像輸入 (Image Input): 將多張影像輸入到預訓練的神經網絡中。
- 特徵提取 (Feature Extraction): 神經網絡提取影像中的深層特徵，如邊緣、紋理、深度等。
- 點雲生成 (Point Cloud Generation): 神經網絡生成一個稀疏的點雲，代表場景的關鍵點。
- 神經網絡渲染 (Neural Network Rendering): 神經網絡直接從點雲渲染出3D場景，實現實時互動。
圖片來源:https://github.com/graphdeco-inria/gaussian-splatting
高斯散射的優勢：
- 實時渲染: 能夠快速渲染複雜的3D場景，實現虛實結合的互動體驗。
- 高品質: 即使在影像品質不佳的情況下，也能生成高品質的3D模型。
- 可擴展性強: 可以處理各種複雜的場景和物體。
高斯散射的限制：
- 對訓練數據依賴性強: 需要大量的訓練數據才能獲得良好的效果。
- 模型複雜度高: 神經網絡的設計和訓練需要專業知識。
Houdini 中的 Gaussian Splatting
為了更方便地應用 Gaussian Splatting 技術，一些開發者已經開發了相應的工具。例如，GSOPS 是一款為 Houdini 軟體打造的插件，它提供了更直觀的操作界面和更多的功能，讓藝術家和技術人員能夠更輕鬆地創建高品質的3D內容。
圖片來源:https://github.com/david-rhodes/GSOPs
總結
傳統攝影測量法和高斯散射各有優勢，也各有適用場合。傳統攝影測量法在精確度和穩定性方面表現出色，而高斯散射則在實時渲染和靈活性方面具有優勢。隨著深度學習技術的快速發展，高斯散射有望成為未來3D重建的主流技術，為虛擬現實、增強現實等領域帶來更多的可能性。
未來展望
隨著硬體性能的提升和深度學習技術的進一步發展，我們可以預見，未來的高斯散射技術將在以下幾個方面取得突破：
- 更快的渲染速度: 實現毫秒級的渲染，為虛擬現實提供更流暢的體驗。
- 更精細的細節: 捕捉更微小的細節，生成更加逼真的3D模型。
- 更廣泛的應用: 在建築、遊戲、電影等領域得到更廣泛的應用。