3d高斯splatting（3dgs）作为神经辐射场（nerf）的替代方案，以显式且紧凑的各向异性3d高斯集合，实现了高保真实时渲染。它的下游应用广泛，涵盖分割、编辑、生成等多个领域。
分割任务
在分割任务方面，由于缺乏大规模的3D标注数据，现有方法主要依赖强大的2D基础模型来指导3D分割，可分为以下几类。
基于特征蒸馏的方法，如LangSplat、Feature3DGS等，将CLIP、SAM等2D基础模型的语义知识蒸馏到3D高斯中。通过优化高维特征场（N2F2）、引入跨模态光栅化器（VLGaussian）提升精度。同时，采用量化（LEGaussian）、哈希编码（FMGS）等手段降低计算成本。基于2D掩码提升的方法，通过预处理（GaussianGrouping的对象关联）、后处理（OmniSeg3D的层次聚类）及端到端学习（SAGA的尺度感知对比训练）解决跨视图一致性问题。此外，还存在无训练策略，如SAGD的投影法、FlashSplat的线性规划。前馈方法，像SLGaussian、Dr. Splat等，通过多视图跟踪和特征压缩实现快速语义场构建。编辑任务
编辑任务主要有以下几种实现方式。
文本驱动方法，如GaussianEditor、GSEditPro等，通过跟踪目标、注意力定位编辑区域。借助深度约束（GaussCtrl）、轨迹锚定（TrAME）保证多视图一致性。ProGDF等通过渐进采样和轻量网络提升效率。图像引导方法，TIP - Editor、GS - VTON等利用LoRA微调实现个性化编辑。结合扩散模型（VcEdit、TIGER）和多阶段细化（Point’n Move）增强效果。风格迁移，通过优化目标函数（SGSST的多尺度损失）、整合扩散模型（InstantStyleGaussian）及VGG特征（StyleSplat）实现。同时，还能处理对象移除、拖拽、视频编辑等子任务。生成任务
生成任务分为对象级和场景级。
对象级，优化方法如DreamGaussian、GaussianDreamer等，基于SDS损失，通过改进SDS（StableDreamer的损失等效化）、多视图引导（MVGaussian结合MVDream）提升质量。前馈方法如LGM、GRM等，利用潜在空间优化和多视图输入生成。场景级，方法如DreamScene、Text2Room等，通过逐场景优化、迭代生成和前馈网络实现。依赖扩散模型和几何约束保证一致性。
评估指标
在评估方面，不同任务有不同的常用数据集和评估指标。
分割，常用ScanNet、Replica等数据集，以mIoU、mAcc为指标。Unified - Lift、PanoGS表现突出。编辑，在Mip - NeRF360、IN2N上用CLIP相似度、FID等评估，GaussianVTON效果佳。生成，在GSO、Objaverse上通过PSNR、LPIPS等衡量，NovelGS和Atlas - Gaussians领先。核心见解与未来方向
3DGS凭借显式表示的优势，结合2D基础模型和扩散模型，有力地推动了下游任务的发展。然而，当前仍存在一些问题需要解决，例如大规模前馈学习、3D感知评估指标以及与大语言模型（LLM）的结合等。
未来，可朝着通用模型和3D基础模型融合的方向进行探索。此外，3DGS不仅在上述核心应用领域表现出色，还在数字人、即时定位与建图和3D目标检测等领域展现出广泛的应用前景。
