一张照片变3D场景，文件还小了81.5%

你随手发的一张照片，得物把它变成了一个能转着看的三维场景。这不是"照片会动"那种小把戏，而是用 3D 高斯重建出纵深，再压进手机，转一下就能"看"进画面里的空间。

难的不是生成 3D，是把它做小、做快、做到手机上稳定跑 60FPS。得物技术团队把这条链路拆成了四个环节：模型生产、质量评价、模型体积压缩、移动端渲染。

从一张照片到三维高斯

普通图片只记录了固定视角下的颜色信息。当观察位置移动时，不同距离的物体在画面中产生不同程度的位移，这种运动视差是空间感的重要来源。相机横向移动时，近景在画面中的位移大于远景。

要让图片随视角变化，需要先建立可渲染的三维表示。生产侧采用单图前馈生成路线：从输入图片提取几何与外观线索，预测三维高斯属性，输出场景模型。客户端加载模型后，通过改变虚拟相机的视角绘制画面，无需在每次手机转动时重新运行生成网络。

3D Gaussian Splatting（3DGS）用一组三维高斯基元表示场景。每个基元可以理解为一个带有颜色、不透明度和空间范围的柔和椭球。位置决定它在哪里，尺度与旋转决定形状和方向，颜色与不透明度决定它对画面的贡献。渲染时，三维高斯被投影为屏幕上的二维椭圆，再按深度顺序进行透明度混合，形成最终画面。

原始 3DGS 方法通过多视角照片优化一个场景的高斯参数；本方案从单张图片直接预测高斯属性，再交给渲染器展示附近视角。两者使用了相同类型的场景表示，生成高斯参数的方式不同。

单图生成降低了素材准备门槛，但照片没有记录被遮挡区域的真实信息。新视角中出现的内容包含模型推断，观察范围越大，越容易暴露空洞、拉伸或错误的遮挡关系。实际体验需要约束在原始视角附近。

为什么不能用像素误差判断画质

空间图片不能只检查正面截图。一根鞋带可能在正面完整，转动后却出现断裂；人物轮廓可能露出空洞，远景纹理也可能在某些角度变得稀疏。评价需要覆盖视角变化后的画面。

PSNR 基于对应像素的均方误差，主要反映数值保真程度。SSIM 比较局部亮度、对比度和结构，能够描述部分结构变化，但仍依赖图像之间的空间对应关系。视角合成中的微小几何偏差，会改变边缘在画面中的位置。即使纹理和整体观感接近，像素比较也可能受到明显影响；某些平滑结果则可能取得较小的像素误差，却损失细节。

因此，本项目以 LPIPS、DISTS 等感知指标作为主要评价依据，PSNR、SSIM 可用于辅助诊断，不单独据此判断观看质量。LPIPS 利用神经网络提取图像特征，再比较特征空间中的差异，为纹理、轮廓等感知变化提供参照。DISTS 结合深层特征的结构与纹理统计，对一定程度的纹理重采样和轻微几何变化具有容忍性。两项指标都是数值越低，表示与参照图像的差异越小。

前提是参照有意义：新视角渲染图不能直接与原始视角照片比较，否则正常视差也会被计入差异。轻量化评测的参照是基线模型的渲染结果，并非新视角的真实拍摄图像。如果基线模型本身存在生成错误，与它接近并不能说明新视角合理。

逐帧相似度也无法完整反映转动过程中的闪烁。指标之外，还需要连续观看，并回看遮挡边缘、文字和细结构等典型失败案例。

减点与压缩：两个环节分开算

模型轻量化包含两个环节：先减少需要表达和绘制的高斯基元，再压缩每个基元的存储开销。减点会改变场景表示，同时影响文件大小与端侧工作量；格式编码主要降低分发体积，运行时收益取决于解码方式和数据布局。

阶段实验比较了降低生成分辨率、均匀降采样和过滤部分基元等方式。均匀降采样能够直接减少点数，但测试中出现了放大后条纹感明显的案例。降低生成分辨率也有代价：继续压低点数时，毛发、人物边缘和大范围背景更容易缺失细节。

本轮比较使用统一的 5 秒渲染视频，每秒抽取一帧，对比相同序号的画面。每个轻量化档位累计得到 185 组对应帧。高点数档位在两项指标下的帧级达标比例都更高。案例回看中，部分雪景和社区远景在低点数下出现的黑影、空洞或元素缺失，提高到该档位后有所改善。

结合多视角评测与端侧表现，当前采用较高的高斯点数，在保证效果的同时，能够大幅减少点数。

确定模型规模后，还需要将原始的 PLY 模型压缩，以减小传输文件大小。通过属性量化和紧凑编码组织三维高斯数据，减少存储与网络传输体积。量化会引入数值误差，需要单独核验画质。

以本次测试使用的属性布局为例，位置、颜色、不透明度、尺度和旋转共包含 14 个 float32 数值，每个高斯的属性负载约为 56 字节。优化后，在保证渲染质量的前提下，文件大小相较于压缩前减少约 81.5%。

手机上跑 60FPS 靠什么

大量的高斯点进入移动端后，开销分布在解码、数据搬运、排序和像素混合几个阶段。加载时并行还原属性，首帧建立深度索引，后续按需绘制并复用索引。

高斯点保存在世界坐标中，结合模型外参与观察目标建立初始相机，内参和画面比例决定投影。视图矩阵 V 将高斯变换到相机空间，投影矩阵 P 再将其映射到屏幕；相机空间以前方为 −Z，后续排序与投影都使用这套坐标。陀螺仪将角速度积分为受限的横向、纵向相机位移，相机始终看向观察目标，形成小幅视差。手势可通过 Camera 的 orbit／pan／zoom 接口调整三维视角。

高斯投影是半透明椭圆，同一像素可能被多个高斯覆盖。Alpha 混合与顺序有关：当前绘制路径需要先画远处，再叠加近处，否则前后颜色的贡献会颠倒。因此按高斯中心的相机空间深度建立绘制顺序；这种全局排序是近似，并非逐像素的精确遮挡求解。

采用 GPU 稳定 Radix Sort：生成 32 位深度键，每轮处理 8 位，经过 4 轮计数、前缀和、重排，输出排序索引。索引留在 GPU，后续绘制直接读取；Compute 与 Render 之间建立资源依赖。首帧排序后复用索引，适用于受限的小幅视差，大幅改变视角需重新评估排序。经测试，采用 GPU 排序，排序耗时降低 60%–75%。

每个高斯用一个四顶点四边形承载，片元着色器计算椭圆范围内的颜色与透明度。当前普通显示路径通过一次实例化 draw 绘制 N 个高斯：vertexCount = 4、instanceCount = N，减少逐高斯提交的 CPU 命令开销。GPU 用 instanceID 经排序索引找到高斯，用 vertexID 生成四个角。相比逐个提交，实例化绘制省去了重复的 draw 调用和 CPU 顶点展开；高斯数量、约 4N 个顶点工作项及透明混合仍然存在。

iOS、Android 分别用高端机、中端机、低端机对不同高斯点数的模型进行效果测试、性能测试，性能测试指标包括帧率、内存占用、手机发热情况等，最终选择较高点数的模型。经真机测试，iOS、Android 帧率稳定在 60FPS。

本次实践中，团队结合多视角质量与端侧表现确定模型档位，通过格式编码进一步压缩分发体积，并在客户端通过数据组织、排序与帧调度降低运行开销。最终，在保留模型细节与多视角观感的同时，降低了内容分发与端侧渲染的负担。