Part I 1-3
- 引言
- 总摘要
- Part I：问题定义、原始 3DGS 数学基础与工程语义鸿沟
-
- 1、什么是“工程语义上探”
- 2、原始 3DGS 数学底层：高斯场、协方差、投影、可微渲染、密度控制
-
- 2.1 高斯场表示：原始 3DGS 的状态变量
- 2.2 协方差参数化与局部几何：为什么它像“局部形状”，却还不是“局部曲面”
- 2.3 从 3D Gaussian 到 2D 椭圆 splat：投影推导与近似边界
- 2.4 可微渲染、可见性排序与为何它天然偏向 photometric consistency
- 2.5 密度控制与优化动力学：它像自适应采样，但不是结构建模
- 3、为什么原始 3DGS 擅长“像”，却不擅长“结构”
-
- 3.1 高保真辐射场
≠
\\neq
= 合法曲面 - 3.2 局部体元分布
≠
\\neq
= 参数曲面 - 3.3 视觉连续
≠
\\neq
= 拓扑连续 - 3.4 “后处理拟合一下”不是工程补丁，而是表示范式跨越
- 3.5 工程系统真正需要的是“结构可消费性”
- 3.1 高保真辐射场
引言
如果你正在做三维重建算法、CAD逆向或工业数字化交付，一定深刻认识到3DGS“看起来真”和“能被工程系统消费”从来不是一回事。 3DGS之所以火，是因为它把视觉保真度和实时渲染拉到了一个新高度；但如果你还需要面对测量、编辑、装配、检测这些工程需求，这显然不是3DGS所擅长的“像”，毕竟它并不天然擅长“结构”。现在值得讨论的问题早已不是它的FPS和PSNR，今天我们讨论：它能否从终端渲染表示，进化为图像到结构化工程几何之间的中间表示？应用在数字工程中。
总摘要
截至 2026 年上半年，Gaussian Splatting 已经不再只是“高保真实时新视角合成”的代名词。原始 3DGS 用各向异性高斯、交错式密度控制和可见性感知的 tile-based rasterization，把 radiance field 从“连续场 + 体渲染采样”改写成“显式高斯集合 + 可微光栅化”，在视觉层完成了一次范式跃迁；但它的成功，本质上是 对 appearance 的成功，不是对 structure 的成功。Kerbl 等工作的目标函数、投影机制和优化动力学，面向的是颜色一致性、可见性一致性和快速渲染，而不是对 曲面流形、边界闭合、参数域一致性或 B-rep 合法性 负责。
以前企业级三维重建团队关注的是“3DGS 能否替代 NeRF 做浏览”。这个问题早已尘埃落定，我们进而讨论 3DGS向 图像到结构化工程几何之间的高带宽中间表示这一范式走到了哪？
这条路线的逻辑链条早已显形：SurfaceSplat 试图把 SDF 的全局几何一致性与 Gaussian 的局部细节表达耦合起来；Curve-Aware GS 让参数曲线不再只是后处理拟合结果，而是进入可微优化闭环；GaussianCAD 则把 3DGS 从现实影像推向设计表达；而 BrepGaussian 更进一步，直接提出从多视图图像出发，经由带特征的 Gaussian 表示与 primitive fitting，重建完整 B-rep CAD 模型 （也是我们这次讨论的重头戏）。
注意：这不意味着图像直达 CAD/B-rep 已进入工业成熟期。Point2CAD 仍然说明，哪怕输入已是高质量点云，从面片分割、曲面拟合、曲面相交、边与角点恢复，到 trimming 与 topology assembly，整个 reverse engineering 链路仍是几何与组合拓扑的双重难题；BrepGaussian 只是把这条链路从“点云后端”前移到了“图像/高斯中间层前端”。
因此，它的真正意义不是夸下海口说：“今天就替代传统 CAD 逆向”，而是第一次让 “图像 → Gaussian intermediate layer → curve/surface/topology → B-rep” 这条路线具备了清晰的研究可行性。
本文的中心结论将是：过去的 3DGS 更像一台会画世界的机器；而 2025–2026 这批工作让它开始对曲线、曲面、边界、拓扑甚至工程语义负责。 值得重视的并非某个单点 benchmark，而是表示层正在发生的角色迁移：3DGS 正在从终端渲染表示，演化为面向结构化几何恢复的中间表示。
Part I：问题定义、原始 3DGS 数学基础与工程语义鸿沟
1、什么是“工程语义上探”
讨论 3DGS，若仍然停留在 “PSNR 更高、渲染更快、显存更省” 的层面，实际上已经落后于 2025–2026 的主线问题。工业系统真正关心的，不是一个场景能否被“看起来很真”地播放出来，而是图像、视频、多传感器采集之后，是否能够沉淀为可测量、可编辑、可装配、可交换、可复用的三维工程资产。
传统 COLMAP 路线已经隐含了这种分层思维：SfM 先恢复相机位姿与稀疏结构，MVS 再恢复 depth / normal，随后融合为 dense point cloud，必要时再经 Poisson Surface Reconstruction 或 Screened Poisson Surface Reconstruction 变成 mesh。注意，这条链路即便走到 mesh，也离 CAD / B-rep 仍然很远。原始 3DGS 则把重点放在从 SfM 稀疏点直接获得高质量实时 novel-view synthesis；而 BrepGaussian 的表述已经转向“从多视图图像直接重建 CAD / B-rep”。这说明问题重心正在发生位移：从“重建可看世界”转向“重建可消费结构”。
因此，企业级三维系统必须把三维表示明确拆成三层： 
视觉显示层（visual appearance layer） 它关心 photorealism、novel view synthesis、view-dependent appearance、real-time rendering。只要用户能“看起来像”，这一层就可以宣告阶段性成功。原始 3DGS 正是在这一层完成了范式迁跃。
几何结构层（geometry & structure layer） 它关心 surface consistency、normal consistency、局部切平面、主曲率、全局形状闭合、一致的深度与表面法向。到了这一层，问题已经不再是“能否渲染像”，而是“是否存在一个稳定、可抽取、可检验的 surface”。 NeuS、VolSDF、以及后来的 SurfaceSplat 之所以重要，正是因为它们开始把 surface reconstruction 的偏差、全局一致性与显式几何中介重新带回神经渲染与 Gaussian 系统。
工程语义层（engineering semantics layer）。它不再满足于“有一个 surface”。它要求 edge、corner、patch、trim loop、adjacency、incidence、parameter domain consistency，最终要求一种 CAD kernel 能消费的结构化表示，例如 B-rep / STEP-friendly structure。
OpenCascade 官方文档 对 B-rep 的描述非常直接：几何是 curves 与 surfaces，拓扑则是把这些几何对象绑定起来的数据结构；BRepNet 也强调 B-rep 把参数曲线/曲面与描述 manifold 的拓扑信息结合在一起。
所以，本文全文的真正主问题不是“3DGS 强不强”，而是：
3DGS 是否正在从“高保真实时渲染表示”演化为“图像到结构化工程几何之间的中间表示”？而 BrepGaussian 是否是这条路线第一次真正触碰到 CAD / B-rep 语义边界的工作？ 过去的 3DGS 更像一台会画世界的机器；接下来的 3DGS，正在学习如何对曲线、曲面、边界、拓扑与工程语义负责。这个判断并不是原始 3DGS 论文的主张，而是从 SurfaceSplat、Curve-Aware GS、GaussianCAD 与 BrepGaussian 这条连续谱系综合得出的。
产品团队若不区分这三层，容易犯两个错误：
- 把“高保真浏览”误判为“工程可交付”；
- 把“视觉层 benchmark 提升”误判为“结构化资产链路成熟”。
对空间采集、工业视觉、机器人建模、扫描交付平台而言，真正影响后续闭环的不是用户能否转动模型，而是模型能否被 测量、编辑、装配、修复、版本化、参数化消费。这也是为什么“工程语义上探”不是宣传口号，而是系统架构分层问题。
2、原始 3DGS 数学底层：高斯场、协方差、投影、可微渲染、密度控制
2.1 高斯场表示：原始 3DGS 的状态变量
原始 3DGS 可将场景写成一组各向异性高斯原语的集合：
G
=
G
i
i
=
1
N
,
G
i
=
μ
i
,
Σ
i
,
α
i
,
c
i
,
SH
i
.
(1)
\\mathcal{G}={G_i}_{i=1}^{N},\\qquad G_i={\\mu_i,\\Sigma_i,\\alpha_i,c_i,\\text{SH}_i}. \\tag{1}
G=Gii=1N,Gi=μi,Σi,αi,ci,SHi.(1)
其中，
μ
i
∈
R
3
\\mu_i\\in\\mathbb{R}^3
μi∈R3 是中心，
Σ
i
∈
S
+
+
3
)
\\Sigma_i\\in S_{++}^{3})
Σi∈S++3)是 3D 协方差矩阵，
α
i
\\alpha_i
αi 是不透明度，
c
i
c_i
ci 或 SH 系数表示颜色及视角相关辐射属性。3DGS 论文明确说明，其优化对象包括位置、协方差、opacity 与 SH 系数；gsplat 工程文档 也把 rasterization 的输入写成 means、covariances、colors 与 opacities。
若写成标准归一化高斯，
g
i
(
x
)
=
1
(
2
π
)
3
/
2
∣
Σ
i
∣
1
/
2
exp
!
(
−
1
2
(
x
−
μ
i
)
⊤
Σ
i
−
1
(
x
−
μ
i
)
)
,
(2)
g_i(\\mathbf{x})= \\frac{1}{(2\\pi)^{3/2}|\\Sigma_i|^{1/2}} \\exp!\\left( -\\frac12(\\mathbf{x}-\\mu_i)^\\top \\Sigma_i^{-1}(\\mathbf{x}-\\mu_i) \\right), \\tag{2}
gi(x)=(2π)3/2∣Σi∣1/21exp!(−21(x−μi)⊤Σi−1(x−μi)),(2) 则其在渲染中可理解为被 opacity 调制的体元响应：
g
~
i
(
x
)
=
α
i
,
g
i
(
x
)
.
(3)
\\tilde g_i(\\mathbf{x})=\\alpha_i, g_i(\\mathbf{x}). \\tag{3}
g~i(x)=αi,gi(x).(3)
这一定义的关键不在“它是高斯”这么简单，而在于：它既是可微的体分布，又是可投影为 2D 椭圆 splat 的显式基元。EWA Volume Splatting 早在 2001 年就给出了椭圆高斯核、其仿射映射闭包性、以及 3D 高斯积分到 2D 高斯的数学基础；3DGS 则把这条图形学传统重新接到现代 radiance field 优化链路上。。
从技术谱系看，NeRF 用连续 5D 场
(
x
,
d
)
↦
(
σ
,
c
)
(\\mathbf{x},\\mathbf{d})\\mapsto(\\sigma,\\mathbf{c})
(x,d)↦(σ,c) 来表达体密度与视角相关颜色；Plenoxels 用 sparse voxel + SH 替代 MLP；Instant-NGP 用 hash-grid 编码降低查询成本；3DGS 则把“连续场 + 体渲染”的思想，换成“无结构显式体元 + splatting/rasterization”的组合。这一步的本质，不是把网络换成点，而是把 radiance field 的计算主轴，从 ray marching 迁移到 differentiable rasterization。
2.2 协方差参数化与局部几何：为什么它像“局部形状”，却还不是“局部曲面”
3DGS 不直接优化任意对称矩阵，而是采用
Σ
i
=
R
i
S
i
S
i
⊤
R
i
⊤
,
S
i
=
d
i
a
g
(
s
i
1
,
s
i
2
,
s
i
3
)
,
(4)
\\Sigma_i = R_i S_i S_i^\\top R_i^\\top,\\qquad S_i=\\mathrm{diag}(s_{i1},s_{i2},s_{i3}), \\tag{4}
Σi=RiSiSi⊤Ri⊤,Si=diag(si1,si2,si3),(4) 其中
R
i
R_i
Ri 由 quaternion 参数化的旋转矩阵给出，
S
i
S_i
Si 为尺度矩阵。这样做的直接原因是：协方差必须保持正半定，直接对矩阵做梯度更新很容易落到非法区域，而
R
S
S
⊤
R
⊤
RSS^\\top R^\\top
RSS⊤R⊤ 形式天然保持正半定。这个参数化在 3DGS 论文与 gsplat 文档中都是核心设定。
对
Σ
i
\\Sigma_i
Σi 做特征分解，
Σ
i
=
Q
i
Λ
i
Q
i
⊤
,
Λ
i
=
d
i
a
g
(
λ
i
1
,
λ
i
2
,
λ
i
3
)
,
(5)
\\Sigma_i = Q_i\\Lambda_i Q_i^\\top,\\qquad \\Lambda_i=\\mathrm{diag}(\\lambda_{i1},\\lambda_{i2},\\lambda_{i3}), \\tag{5}
Σi=QiΛiQi⊤,Λi=diag(λi1,λi2,λi3),(5) 则特征向量给出椭球主轴方向，特征值给出沿主轴的扩张尺度。若
λ
i
3
≪
λ
i
1
,
λ
i
2
\\lambda_{i3}\\ll \\lambda_{i1},\\lambda_{i2}
λi3≪λi1,λi2，该 Gaussian 会呈现薄片状；若
λ
i
1
≈
λ
i
2
≈
λ
i
3
\\lambda_{i1}\\approx \\lambda_{i2}\\approx \\lambda_{i3}
λi1≈λi2≈λi3，则更接近球状。
从统计形状上看，这些主轴确实会“像”局部切空间结构：两个大特征值倾向于沿局部表面扩展，一个小特征值倾向于沿近法向收缩。但这里的“像”，仍然只是二阶统计意义上的近似，不是参数曲面的显式定义。
为了把这个差异说清楚，考虑一个在主曲率坐标系下的局部 Monge patch：
x
(
u
,
v
)
=
x
0
+
u
,
e
1
+
v
,
e
2
+
1
2
(
κ
1
u
2
+
κ
2
v
2
)
n
+
O
(
∣
(
u
,
v
)
∣
3
)
,
(6)
\\mathbf{x}(u,v)= \\mathbf{x}_0 +u,\\mathbf{e}_1+v,\\mathbf{e}_2 +\\frac12(\\kappa_1 u^2+\\kappa_2 v^2)\\mathbf{n} +O(|(u,v)|^3), \\tag{6}
x(u,v)=x0+u,e1+v,e2+21(κ1u2+κ2v2)n+O(∣(u,v)∣3),(6) 其中
e
∗
1
,
e
∗
2
\\mathbf{e}*1,\\mathbf{e}*2
e∗1,e∗2 为切向基，
n
\\mathbf{n}
n 为法向，
κ
1
,
κ
2
\\kappa_1,\\kappa_2
κ1,κ2 为主曲率。若 ((u,v)) 在一个小对称邻域内采样，且
E
[
u
]
=
E
[
v
]
=
0
\\mathbb E[u]=\\mathbb E[v]=0
E[u]=E[v]=0，则由二阶项可得：切向方差量级为
O
(
r
2
)
O(r^2)
O(r2)，而法向方差量级为
O
(
r
4
)
O(r^4)
O(r4)。于是，局部点集协方差的最小特征向量在小尺度极限下可逼近法向：
V
a
r
∗
tangent
=
O
(
r
2
)
,
V
a
r
∗
normal
=
O
(
r
4
)
.
(7)
\\mathrm{Var}*{\\text{tangent}} = O(r^2),\\qquad \\mathrm{Var}*{\\text{normal}} = O(r^4). \\tag{7}
Var∗tangent=O(r2),Var∗normal=O(r4).(7)
这说明：协方差可以提供局部切平面与法向的线索。但它仍不等价于显式曲面 patch，原因有三。
(
u
,
v
)
(u,v)
(u,v)，因此不存在 face 的自然内部坐标。
I
I
=
κ
1
,
d
u
2
+
κ
2
,
d
v
2
(8)
\\mathrm{II} = \\kappa_1,du^2+\\kappa_2,dv^2 \\tag{8}
II=κ1,du2+κ2,dv2(8) 这一层微分几何对象；协方差只是在统计意义上间接反映二阶结构，而不是显式携带曲率算子、参数连续性或曲面连接约束。
换句话说，协方差是“局部占据分布”的二阶矩，不是“局部曲面语义”的完备描述。两个不同的曲面 patch，可能共享非常接近的局部二阶统计；CAD face 所要求的，远不只是二阶矩匹配。
- 3DGS 用
R
S
S
⊤
R
⊤
RSS^\\top R^\\top
RSS⊤R⊤参数化各向异性协方差，以保证优化有效且表达灵活。 - 各向异性 Gaussian 提供了比 voxel/hash-grid 更自由的局部形状自适应能力。
- 协方差主轴可以成为局部切平面、法向、主方向的弱线索，但它距离“显式 patch”仍隔着 参数域、边界与连续性 约束三道墙。
对于你的产品方案而言，如果你的系统目标是测量、比对、病害检测、边界提取、装配约束，而不是只做 viewer，那么“拿到 Gaussian 主轴”绝不等于“拿到曲面法向与结构边界”。在技术选型上，协方差只能被视为几何先验候选变量，不能被误当作工程几何本体。
2.3 从 3D Gaussian 到 2D 椭圆 splat：投影推导与近似边界
设世界坐标中的点为
x
\\mathbf{x}
x，相机坐标为
x
c
=
W
x
+
t
,
(9)
\\mathbf{x}_c = W\\mathbf{x}+\\mathbf{t}, \\tag{9}
xc=Wx+t,(9) 其中 (W) 为 world-to-camera 线性部分。对 pinhole 相机，
π
(
x
c
)
=
[
f
x
x
/
z
+
c
x
f
y
y
/
z
+
c
y
]
.
(10)
\\pi(\\mathbf{x}_c)= \\begin{bmatrix} f_x x/z + c_x\\ f_y y/z + c_y \\end{bmatrix}. \\tag{10}
π(xc)=[fxx/z+cx fyy/z+cy].(10) 在高斯中心
μ
c
=
(
x
,
y
,
z
)
\\mu_c=(x,y,z)
μc=(x,y,z) 处做一阶线性化，
π
(
μ
c
+
δ
)
≈
π
(
μ
c
)
+
J
δ
,
(11)
\\pi(\\mu_c+\\delta)\\approx \\pi(\\mu_c)+J\\delta, \\tag{11}
π(μc+δ)≈π(μc)+Jδ,(11) 其 Jacobian 为
J
=
[
f
x
/
z
0
−
f
x
x
/
z
2
0
f
y
/
z
−
f
y
y
/
z
2
]
.
(12)
J= \\begin{bmatrix} f_x/z & 0 & -f_x x/z^2\\ 0 & f_y/z & -f_y y/z^2 \\end{bmatrix}. \\tag{12}
J=[fx/z0−fxx/z2 0fy/z−fyy/z2].(12)
于是，3D 协方差在图像平面的近似投影为
Σ
2
D
≈
J
,
W
,
Σ
3
D
,
W
⊤
J
⊤
.
(13)
\\Sigma_{2D}\\approx J,W,\\Sigma_{3D},W^\\top J^\\top. \\tag{13}
Σ2D≈J,W,Σ3D,W⊤J⊤.(13) 这一式子在 3DGS 与 gsplat 文档中都被直接使用，其思想源头可追溯到 EWA Volume Splatting 对局部仿射近似与椭圆高斯投影的处理。
这个公式的成立依赖一个常被工程实现隐藏、但在理论上极关键的条件：高斯支撑区域在相机投影下足够小，以至于 projective mapping 在该区域内可以被局部仿射化。 更形式化地说，若
π
\\pi
π 的 Hessian 记为
H
π
H_\\pi
Hπ，则 Taylor 余项满足
π
(
μ
c
+
δ
)
=
π
(
μ
c
)
+
J
δ
+
1
2
δ
⊤
H
π
(
ξ
)
δ
,
(14)
\\pi(\\mu_c+\\delta)= \\pi(\\mu_c)+J\\delta+\\frac12 \\delta^\\top H_\\pi(\\xi)\\delta, \\tag{14}
π(μc+δ)=π(μc)+Jδ+21δ⊤Hπ(ξ)δ,(14) 其中
ξ
\\xi
ξ 位于
μ
c
\\mu_c
μc 与
μ
c
+
δ
\\mu_c+\\delta
μc+δ 之间。若
∣
δ
∣
/
z
|\\delta|/z
∣δ∣/z不小，或 Gaussian 靠近 near plane，或 splat 尺寸过大，则二阶项不可忽略，
Σ
2
D
\\Sigma_{2D}
Σ2D 将不再是可靠近似。Perspective Accurate Splatting 也正是围绕透视非线性误差与更准确 splatting 建模展开。
3DGS 在实现层面因此会做 frustum culling、guard band 处理，并避免极端位置处不稳定的 projected covariance；gsplat 也在 API 中暴露了 near plane、radius clip、eps2d 等稳定化参数。
必须强调：这个投影把 3D 体元变成了 2D 椭圆 splat，但椭圆 splat 不是曲面 chart。它只是在某个视图下的局部像平面核，不携带 face 的参数域，也不携带 edge 的归属关系。它渲染上极其高效，结构上却仍然是“无约束投影体元”。
对于你的产品方案，如果系统强调大视角变化、近景几何、细边界或工业零件锐特征，那么“3D 高斯投影成 2D 椭圆”的 稳定性边界 必须被纳入架构设计。否则，训练阶段你是高效 rasterization，交付你就近视角失稳以及边缘漂移（没招了）。
2.4 可微渲染、可见性排序与为何它天然偏向 photometric consistency
3DGS 论文明确指出：其与 NeRF 式体渲染在图像形成层面本质一致。若对某个像素
p
\\mathbf{p}
p 按深度从前到后排序，定义第 (i) 个高斯在该像素上的有效不透明度为
a
i
(
p
)
=
α
i
exp
!
(
−
1
2
(
p
−
μ
i
′
)
⊤
Σ
2
D
,
i
−
1
(
p
−
μ
i
′
)
)
,
(15)
a_i(\\mathbf{p})= \\alpha_i \\exp!\\left( -\\frac12(\\mathbf{p}-\\mu_i')^\\top \\Sigma_{2D,i}^{-1}(\\mathbf{p}-\\mu_i') \\right), \\tag{15}
ai(p)=αiexp!(−21(p−μi′)⊤Σ2D,i−1(p−μi′)),(15) 则前向透射率为
T
i
(
p
)
=
∏
j
<
i
(
1
−
a
j
(
p
)
)
,
(16)
T_i(\\mathbf{p})=\\prod_{j<i}\\bigl(1-a_j(\\mathbf{p})\\bigr), \\tag{16}
Ti(p)=j<i∏(1−aj(p)),(16) 最终像素颜色可写为
C
(
p
)
=
∑
i
=
1
N
T
i
(
p
)
,
a
i
(
p
)
,
c
i
(
p
)
.
(17)
C(\\mathbf{p})= \\sum_{i=1}^{N} T_i(\\mathbf{p}),a_i(\\mathbf{p}),c_i(\\mathbf{p}). \\tag{17}
C(p)=i=1∑NTi(p),ai(p),ci(p).(17) 3DGS 论文直接把 point blending 与 NeRF 的 volumetric rendering 放在同一图像形成框架下讨论；gsplat 也把深度排序后在 tile 内做 alpha-compositing 作为核心接口语义。
工程上，3DGS 选择 tile-based splatting：先把屏幕分成小 tile，再按 tile 与深度对 Gaussians 排序，随后在每个 tile 内做前向 compositing，并在反向传播时恢复中间 opacity 累积值。
论文强调这种做法避免了逐像素排序开销，使用 GPU radix sort，并允许对任意数量的 blended Gaussians 做高效反传。gsplat 文档则把 “group by tile + sort by increasing depth z + alpha-compositing” 作为标准实现描述。
问题在于：这一整套机制的原生目标，是让渲染图像与训练图像一致，而不是让某个 surface manifold 成立。3DGS 在优化中使用的是图像重建损失，论文写明其损失项为
L
1
L_1
L1 与 D-SSIM/SSIM 的组合，而不是法向一致性、曲率正则、拓扑合法性之类的结构损失。
从优化问题的角度，原始 3DGS 解决的是
min
Θ
∑
k
ℓ
(
R
(
Θ
;
Π
k
)
,
I
k
)
,
(18)
\\min_{\\Theta}\\sum_{k} \\ell\\bigl(\\mathcal R(\\Theta;\\Pi_k), I_k\\bigr), \\tag{18}
Θmink∑ℓ(R(Θ;Πk),Ik),(18) 其中
Θ
\\Theta
Θ 为所有 Gaussian 参数，
Π
k
\\Pi_k
Πk 为相机，
R
\\mathcal R
R 为渲染器。只要一组参数能在已观测视角下产生相近图像，它就可能是低损解；至于这组参数对应的体元集合是否来自单一曲面、是否存在稳定法向、是否对应合法边界与拓扑，目标函数并不直接关心。这意味着 photometric loss 的等价类通常远大于 geometric loss 的等价类，更远大于 topological validity 的等价类。
因此，“可见性感知”不等于“几何一致性感知”。前者只管遮挡顺序与前向透射；后者则要求跨视角、跨局部、跨尺度的表面解释保持一致。二者不是一回事。
3DGS 的可微渲染基于深度排序、tile-based splatting 与 alpha compositing，训练损失以图像重建为主。在 image formation 层面延续了 radiance field 传统，但在执行层面切换到了 GPU-friendly rasterization。但只要损失函数仍以 photometric consistency 为主，3DGS 的几何始终是“为渲染服务的隐含几何”，而不是“为工程消费服务的显式几何”。 所以对于工程应用产品而言，不能把“visibility-aware”误读成“geometry-aware”。系统若要支持测量、边界提取、CAD 反求、机器人抓取与装配，就必须在 photometric loss 之外，显式加入 geometry consistency、edge/curve consistency、topology validity 这类目标；否则渲染器越强，几何幻觉也可能越强。
2.5 密度控制与优化动力学：它像自适应采样，但不是结构建模
3DGS 的核心工程贡献之一是 interleaved optimization / density control：在优化位置、协方差、opacity 与 SH 的同时，周期性执行 densification、split、clone 与 pruning。论文明确描述了两类密度提升：对 under-reconstruction 的小 Gaussian 做 clone，对 over-reconstruction 的大 Gaussian 做 split，并对低 opacity 或过大的 Gaussian 执行裁剪。
若从数值分析视角看，这非常像一种无网格的自适应离散化：
- clone 类似在高残差区域添加新的自由度；
- split 类似对局部基元做 (h)-refinement；
- pruning 类似把无效基函数从活动集移除。
其触发信号又不是任意拍脑袋，而是 view-space positional gradients 与 opacity 等与图像误差强相关的量。论文甚至直接指出，densify 的候选 Gaussian 往往具有较大的 view-space positional gradients；gsplat 的 densification 策略文档 也把 duplicating、splitting、pruning 的策略接口显式暴露出来，并提到与 AbsGS 相关的绝对梯度策略。
但它提升的是表示带宽，不是结构可解释性：
- split/clone 只增加自由度，不引入 connectivity。
- densification 的驱动来自图像误差，不来自边界算子、曲率张量、patch 邻接或拓扑约束。
- Gaussian 数量变多，只会让表示更能“拟合外观”，不会自动让 face、edge、corner、trim 自发出现。
从系统论角度，3DGS 的 densification 更像“自适应渲染基底成长机制”，而不是“结构元生成机制”。这是一个根本区分边界。
所以当团队看到 clone/split/prune 带来更锐利边界和更高 PSNR 时，最容易犯的错误，是把“自由度增加后的外观改善”误判为“结构已经显式化”。产品经理看见薄结构恢复得更好，可能会自然追问：“那是不是可以直接出 CAD 了？”答案是否定的。自由度成长解决的是表示能力，不是语义建模能力。
3、为什么原始 3DGS 擅长“像”，却不擅长“结构”
3.1 高保真辐射场
≠
\\neq
= 合法曲面
将所有 Gaussian 叠加，可写出一个连续体密度：
ρ
(
x
)
=
∑
i
=
1
N
α
i
,
g
i
(
x
)
.
(19)
\\rho(\\mathbf{x})=\\sum_{i=1}^{N}\\alpha_i,g_i(\\mathbf{x}). \\tag{19}
ρ(x)=i=1∑Nαi,gi(x).(19) 从数学上说，你当然可以随意取某个阈值
τ
\\tau
τ，构造等值面
M
τ
=
x
∈
R
3
∣
ρ
(
x
)
=
τ
.
(20)
\\mathcal{M}_\\tau={\\mathbf{x}\\in\\mathbb R^3\\mid \\rho(\\mathbf{x})=\\tau}. \\tag{20}
Mτ=x∈R3∣ρ(x)=τ.(20) 但问题是：原始 3DGS 并没有训练一个“唯一合法的表面”。阈值
τ
\\tau
τ 不是模型语义的一部分，很多不同的
ρ
\\rho
ρ 都可能在训练视图上产生近似相同的图像。也就是说，视觉可行解集合远大于表面可行解集合。
因此，3DGS 可以非常擅长重建外观与可见性，却不天然定义一个唯一、稳定、可消费的 surface manifold。3DGS 论文的成功指标主要仍是 PSNR、SSIM、LPIPS，这也从侧面说明它原始任务不是表面合法性，而是视觉重建质量.
3.2 局部体元分布
≠
\\neq
= 参数曲面
参数曲面不是一堆局部薄片的堆叠，而是一个带有参数域与连续映射的对象：
S
:
Ω
⊂
R
2
→
R
3
,
(
u
,
v
)
↦
S
(
u
,
v
)
.
(21)
S:\\Omega\\subset\\mathbb R^2\\rightarrow\\mathbb R^3,\\qquad (u,v)\\mapsto S(u,v). \\tag{21}
S:Ω⊂R2→R3,(u,v)↦S(u,v).(21) 对于一个 CAD face，还必须知道其参数域
Ω
\\Omega
Ω 是什么、边界
∂
Ω
\\partial\\Omega
∂Ω 如何被 trimming curve 裁切、与其他 face 如何相接。Gaussian 集合没有
(
u
,
v
)
(u,v)
(u,v) 域、没有 trim loop、没有参数连续性条件、没有跨 patch 的
G
0
/
G
1
/
G
2
G^0/G^1/G^2
G0/G1/G2 关系。
因此，即便某个局部 Gaussian 看起来很“贴”表面，它也只是一个体元统计核，不是曲面 patch。本质上，参数曲面讲的是几何函数；Gaussian 讲的是局部分布函数。 前者天然带域、边界与映射；后者天然带均值、方差与权重。这是两种对象。
3.3 视觉连续
≠
\\neq
= 拓扑连续
视觉上连续的边界，可能只是多视图投影下重叠 splat 的结果，并不代表 3D 中真的存在一条连续 edge。两个互不相连的 Gaussian 簇，在若干视角中完全可能投影成一条“看上去连续”的轮廓；反过来，一个真实的 sharp edge，也可能被多个薄片 Gaussian 以不同方式近似，而不携带“这是两个 face 的交线”这一语义。
这就是为什么高斯集合不天然具有以下对象： face、edge、corner、trimming loop、adjacency、incidence relation、B-rep legality。 这些对象都不是“靠长得像”就能得到，而是必须被显式建模、推理、约束与校验。
3.4 “后处理拟合一下”不是工程补丁，而是表示范式跨越
这一点必须说得非常重。很多工程讨论会把“先训一个 3DGS，再后面拟合一下曲面”视为轻量后处理。这个判断在数学上并不成立。因为一旦从 Gaussian 集合转向 CAD / B-rep，你就必须同时回答：
BrepGaussian 的流程恰恰证明了这不是“小后处理”：它先从多视图图像提取 edge mask 与 patch mask，再做两阶段 Gaussian 学习，随后把 learned Gaussians 转成带标签 point cloud，再做 primitive fitting、surface-to-edge-to-corner 的层级抽取、bottom-up assembly、topological adjustment，最后才得到完整 B-rep。作者对其方法的表述不是“把现有 3DGS 顺手拟合一下”，而是一个完整的 CAD reconstruction pipeline。
从这个意义上说，该方向的所有工作都说明了从 Gaussian 到 CAD 不是“渲染表示的后处理”，而是“表示范式的跨层跃迁”。
3.5 工程系统真正需要的是“结构可消费性”
对于工业系统，真正重要的不是一个模型能否被 viewer 流畅播放，而是它能否被下游系统消费。所谓结构可消费性，至少包含四层：
原始 3DGS 没有为这些目标设计本体变量。它的变量是均值、协方差、opacity、SH；它的优化器会 clone/split/prune；它的目标函数面向图像；它的输出形态是一堆可渲染 splats。它当然可以是上游，但不是天然终态。
小结： 原始 3DGS 的目标、变量与指标都服务于 novel-view synthesis；BrepGaussian 为了得到 B-rep，必须额外引入 edge / patch labels、primitive fitting 与 topological adjustment。现在工作中实现的视觉上“像”与结构上“合法”之间的发展转变，不是连续小步，而是层级跳变。把“后拟合”说得过于轻松，说明其往往低估了从连续体元场到离散组合拓扑的难度。
如果平台目标是数字化交付而非仅仅浏览，那么“输出 splat”只能算中间阶段。研发立项时必须明确：最终交付物是 viewer asset、mesh asset、还是 CAD/B-rep asset。三者不是一个东西，也不能用同一套成功指标。
