在摄影测量领域，低资源设备上的 3D 重建往往面临计算密集型挑战。高斯溅射（Gaussian Splatting，简称 3DGS）作为一种显式表示方法，通过 Rust 语言的 Brush 框架实现，能显著降低门槛，提供实时渲染和高效训练。相比之下，NeRF（Neural Radiance Fields）依赖隐式神经网络，擅长复杂光照但资源消耗巨大。本文聚焦低资源场景下的运行时和内存权衡，探讨如何在边缘设备上落地 3DGS，实现可访问的摄影测量重建。
高斯溅射的核心优势：实时性与低资源适应
高斯溅射将场景表示为数百万个 3D 高斯椭球，每个椭球包含位置、协方差、不透明度和球谐系数等参数。这种显式结构允许直接光栅化渲染，避免 NeRF 的体积射线行进采样。证据显示，在 Mip-NeRF360 数据集上，3DGS 训练时间仅 51 分钟，渲染速度达 240 FPS，而 NeRF 需要数小时训练和秒级渲染。这使得 3DGS 特别适合低资源摄影测量，如无人机或移动设备采集的稀疏图像集。
在 Rust 中的 Brush 实现进一步强化了这一优势。Brush 基于 Burn 机器学习框架和 WebGPU，利用 Rust 的零成本抽象和内存安全，确保跨平台兼容（macOS、Windows、Linux、Android 和浏览器）。无需 CUDA 等重依赖，Brush 生成独立二进制文件，适合资源受限环境。运行时权衡显而易见：NeRF 的 MLP 网络每像素需数百次采样，导致 CPU/GPU 负载高；在低端设备上，3DGS 的分块排序渲染器（tile-based sorting）将内存访问优化 8 倍，实现 30+ FPS 实时交互，而 NeRF 可能降至 1-5 FPS。
可落地参数：在 Brush 中，初始高斯数量设为 10 万（从 COLMAP 点云初始化），迭代 7000 次。学习率调度：位置参数初始 0.00016（指数衰减），旋转固定 0.001，缩放初始 0.005。针对低资源，启用分层采样：粗采样 64 点 + 细采样 64 点，阈值 τ_pos = 0.00016 用于梯度触发分裂/克隆。高斯密度控制：位置梯度 > 0.0002 时分裂（scale 减半），< 0.00005 时克隆沿梯度移动。监控运行时：使用 Rerun 工具可视化训练动态，目标 FPS > 30，调整 batch_size 至 1（移动端）。
内存权衡：显式表示的效率提升
内存是低资源摄影测量的瓶颈，NeRF 的隐式表示需存储大型神经网络（数 GB）和中间体积数据，导致边缘设备崩溃。3DGS 的显式高斯点云仅需每个高斯 59 个参数（位置 3、旋转 4、缩放 3、不透明度 1、球谐 48），单场景 734 MB 左右，远低于 NeRF 的 5 GB+。Brush 在 Rust 中优化内存布局，使用 WGSL 着色器并行处理，避免动态分配碎片。
证据来自基准测试：Brush 的内核比 gsplat 快，渲染百万高斯仅需 100-200 MB VRAM（RTX 3050 等低端 GPU）。在摄影测量中，处理 100 张图像的 COLMAP 数据，3DGS 峰值内存 500 MB，而 NeRF 超 2 GB。权衡在于：3DGS 在非纹理区域（如白墙）可能过度生长高斯，导致内存膨胀 20%；NeRF 虽紧凑但训练时需全场景缓存。
优化清单：
- 压缩策略：集成 MaskGaussian 剪枝，阈值 0.1（Gumbel-Softmax），减少 60% 高斯，内存降至 200 MB，PSNR 仅降 0.15 dB。
- 量化：高斯参数 INT8 量化（位置/颜色），Rust 中用 bincode 序列化，节省 50% 存储。针对浏览器，WASM 构建下限 128 MB RAM。
- LOD 管理：动态级别细节，远景高斯合并（协方差阈值 > 0.01），近景分裂。Brush CLI：
brush train --lod-threshold 0.005 --max-gauss 500k。
- 回滚机制：若内存 > 80% 阈值，暂停克隆，优先剪枝低贡献高斯（α < 0.01）。监控：集成 cargo-bench，追踪峰值使用。
在低资源摄影测量中，这些参数确保 3DGS 在 Android 设备上重建 50 张图像只需 2 GB RAM，渲染 1080p 视图 60 FPS。
摄影测量落地：从数据到部署
摄影测量依赖多视图图像生成点云，Brush 支持 COLMAP 或 Nerfstudio 格式输入，简化管道。观点：3DGS 的自适应密度控制（clone/split）优于 NeRF 的均匀采样，在稀疏视图下提升几何精度 32%（F-Score@5cm）。证据：Replica 数据集上，Brush 处理无人机图像，训练 30 分钟，输出 .ply 文件兼容 Unity/Blender。
权衡：NeRF 在复杂光照下 PSNR 高 1.2 dB，但低资源下训练失败率高（OOM 错误 40%）；3DGS 虽纹理细节稍逊，但实时查看支持调试。
部署清单：
- 数据准备：用 COLMAP 生成稀疏点云（≥30k 点），掩码文件夹忽略背景。Brush：
cargo run --release -- train -s /path/to/colmap。
- 训练配置：损失 L = (1-0.2)L1 + 0.2 L_D-SSIM。迭代 3000-10000，warmup 1000 步。低资源：
--batch 1 --device cpu（fallback GPU）。
- 渲染优化：投影后分块（16x16 tiles），深度排序用 64 位键。Web 版：
npm run dev，Chrome 134+ 支持。
- 监控与调试：Rerun 可视化高斯分布，检查过拟合（loss < 0.01 停）。风险：动态场景用 PhysGaussian 扩展，添加应力张量。
- 回滚策略：若 PSNR < 25，增加初始高斯 20%，或切换 NeRF 预训练（混合管道）。
潜在风险与未来优化
尽管优势明显，3DGS 在低资源下仍需注意几何退化：薄高斯初始化（从点云对齐表面），添加平滑损失 L_geo = ||∇ normal||²。Brush 的 Apache-2.0 许可便于扩展，未来可集成 SUNDAE 谱剪枝，进一步降内存 80%。
总体，Rust 中的 3DGS 通过 Brush 实现低资源摄影测量，运行时快千倍、内存省 1/10，提供实用替代 NeRF。工程师可从上述参数起步，快速原型化移动 AR 或无人机重建应用。（字数：1028）