3D生成高频术语小词典：NeRF、高斯泼溅与AI造物

3D生成技术正从实验室走向应用，但五花八门的术语常让人一头雾水。这份小词典帮你抓住核心概念。

神经辐射场（NeRF）：从二维照片中“挤出”三维世界

NeRF的全称是Neural Radiance Fields（神经辐射场），2020年提出后迅速成为3D视觉领域的明星技术。简单说，它用一组二维照片（比如从不同角度拍的同一物体），训练一个小型神经网络来“记住”这个物体在三维空间每个点上的颜色和密度。之后，任意给定一个新视角，网络就能合成出那个视角下的逼真图像。

为什么它重要？ 传统三维重建依赖特征点匹配和三角测量，容易丢失细节（比如透明物体、反射面）。NeRF通过连续函数逼近，能生成极高保真的新视角图像，尤其擅长毛发、玻璃、烟雾等复杂结构。但代价是训练慢（数小时到一天），渲染更慢（单帧几秒到几十秒），而且只能处理静态场景。到2026年，已经有多种加速方案将单帧渲染压到实时，但高质量NeRF仍需要专业GPU。

常见误区： NeRF生成的“三维模型”不是传统意义上的多边形网格，而是一个隐式表示——你不能直接编辑它、给它换材质，只能“拍照”。如果要做游戏资产或工业设计，需要额外转换步骤。

高斯泼溅（Gaussian Splatting）：实时渲染的新宠儿

高斯泼溅（Gaussian Splatting，简称3DGS）是2023年兴起的技术，直击NeRF的渲染速度瓶颈。它把场景表达成成千上万个三维高斯椭球体（有点像微小的“水滴”），每个椭球有自己的位置、形状、颜色和透明度。渲染时，这些椭球被“泼溅”到屏幕上，混合出最终图像。

与NeRF的差异： NeRF隐式存储信息，渲染需要沿光线反复查询网络；高斯泼溅显式存储椭球参数，渲染速度可超100 FPS（帧每秒），且训练时间从小时级降到分钟级。因此它很快被用于沉浸式视频、VR/AR等实时场景。到2026年，许多手机端3D扫描应用已经集成高斯泼溅，扫描一圈即可生成可实时浏览的模型。

局限： 高斯泼溅对动态场景的支持仍在完善，且存储空间比NeRF大（每个椭球存一组参数，场景规模大时可能占用数GB）。此外，它生成的依然是连续场，不能直接导出为可编辑网格。

文本到3D生成：用一句话“打印”物体

“文本到3D”指输入一句文字描述（如“一只蓝色陶瓷茶杯”），AI自动生成对应的三维模型。这是大模型多模态能力的延伸——图像生成已经成熟，3D生成则因数据稀缺和几何复杂性更难。主流方法分两种：

• 基于2D先验的方法：利用已有的文本到图像模型（如Stable Diffusion），从多个角度“画”出目标的二维图片，再用NeRF或SDS（得分蒸馏采样）技术反推3D结构。优点是无需大量3D数据，缺点是生成结果常有“多面体病”（不同角度不一致）。
• 直接3D生成方法：训练一个从文本到3D表示的端到端模型（如Point-E、Shap-E），直接输出点云或隐式编码。速度更快，但保真度低于基于2D先验的方法。

实际应用： 游戏原画师用来快速构思道具，电商平台自动生成商品展示模型。但当前还做不到“一次生成直接可用”，多数需要后期手工优化。2026年，该技术已能生成中等复杂度（几百个面）的模型，细节控制仍然是挑战。

隐式表示与显式表示：三维数据的两种“语言”

这是3D生成中最基础的概念之一，决定了你拿到的模型能被怎么用。

隐式表示：不直接存储几何点坐标，而是用一个函数（如神经网络或场）来描述“某个点是否在物体内部”或“该点的颜色密度”。NeRF、Occupancy Networks、Signed Distance Function（SDF）都属于隐式。优点是分辨率理论上无限高，适合复杂拓扑（如洞穴、血管）。缺点是不能直接编辑、需要二次提取才能得到网格。

显式表示：直接给出几何数据，常见形式有四类：

• 多边形网格（Mesh）：三角形或四边形组成的表面，游戏和电影工业的标准。
• 点云（Point Cloud）：三维点的集合，LiDAR扫描产物。
• 体素（Voxel）：类似三维像素，规则网格，适合运算但存储大。
• 高斯泼溅椭球群：属于显式，但非传统几何。

如何选？ 如果要跑实时渲染或导入游戏引擎，选网格；如果要做医学影像分析，隐式SDF更灵活；如果只是看个外观，高斯泼溅又快又逼真。

3D扩散模型：用“去噪”思路创造立体世界

扩散模型在图像领域已经家喻户晓（如DALL·E、Midjourney），3D扩散模型则是同样的理念迁移到三维。它学习从随机噪声中逐步恢复出干净的三维数据（点云、体素或隐式场）。训练时，对3D样本加噪声；推理时，从纯噪声开始一步步去噪，得到新样本。

主要挑战：三维数据远比二维图像稀疏且不规则，直接应用U-Net架构效果不佳。改进方向包括：

• 在隐空间做扩散（如训练一个3D VAE，把网格压缩到低维向量再扩散）；
• 使用多视图扩散（同时生成多个视角的图，再融合成3D）；
• 引入掩码策略（如Masked Diffusion Transformer）。

现状：2026年，3D扩散模型已能生成类别级物体（椅子、汽车、动物），但生成与文本精准对齐的复杂场景仍需结合其他技术。它的优势在于多样性——一次采样可得多种风格，而且可以通过条件控制（如给定部分点云）。

多边形网格与体素：最经典的两种3D数据格式

虽然新概念层出不穷，但多边形网格（Mesh）和体素（Voxel）依然是3D生成绕不开的基础。

多边形网格：由顶点、边和面组成，面多为三角形或四边形。几乎所有实时渲染引擎（Unity、Unreal）都原生支持网格。AI生成网格的难点在于自动保持拓扑正确（无空洞、无自交）。近年出现了一些“网格生成”专用模型（如MeshGPT），直接输出三角形流，但质量尚不能匹敌手工建模。

体素：把空间划分为规则立方格，每个格子标记是否有物体。体素容易计算布尔运算和物理模拟，也适合三维卷积神经网络。但分辨率一高（如512³），存储就爆炸。为此出现稀疏体素（如Octree）和混合表示（如Triplane）。

取舍：工业界偏爱网格（轻量化、易编辑），学术界偏爱体素（计算友好）。很多生成流水线采用“隐式场→提取网格”的两步走，既确保细节又得到可用格式。对于只想看效果的普通用户，体素和网格的差异不大。

以上六个术语覆盖了3D生成从采集、表示到合成的核心链条。下次听到“NeRF渲染”“高斯泼溅”“文本到3D”时，你至少知道它们各自解决什么问题、又有什么短板。技术仍在快速演化，2026年的今天，实时3D生成已不再遥远，但真正像“拍照一样做模型”还需要更多突破。

常见问题