# Web3DGS 技术调研汇报总结

---

## 一、核心结论（Executive Summary）

**推荐方案：SuperSplat / PlayCanvas**

综合数据处理效率、渲染性能、渲染质量、功能完整性四个维度，SuperSplat 在各项对比中表现最优，建议作为项目的高斯泼溅渲染引擎。

---

## 二、技术背景

### 2.1 什么是 3DGS

3D Gaussian Splatting（3DGS）是一种革命性的实时辐射场渲染技术，将3D场景表示为大量微小的"高斯形状斑点"（Splat）集合，通过可微光栅化实现实时高质量渲染。相比 NeRF 方法，3DGS 兼具训练速度和渲染速度的优势。

### 2.2 Web端核心挑战

| 挑战    | 说明                   |
| ----- | -------------------- |
| 内存限制  | 浏览器可用内存远小于原生应用       |
| 带宽限制  | 百万级Splat数据传输成为瓶颈     |
| 渲染算力  | WebGL/WebGPU并行计算能力受限 |
| 跨平台兼容 | 桌面、移动、VR设备算力差异巨大     |

### 2.3 LOD 技术的关键作用

LOD（细节层级）是解决上述挑战的核心技术，实现：
- **场景规模扩展**：使亿级Splat超大场景渲染成为可能
- **设备适配**：根据设备性能动态调整渲染负载
- **带宽优化**：通过流式加载减少初始等待时间
- **帧率稳定**：保持恒定渲染复杂度，避免性能抖动

---

## 三、主流方案对比

### 3.1 方案概览

|             方案              |    类型    |            技术栈             |          特点           |
| :-------------------------: | :------: | :------------------------: | :-------------------: |
| **Spark 2.0** (World Labs)  | 开源Web渲染器 |     Three.js + WebGL2      | 连续LOD、GPU虚拟显存、亿级Splat |
|      **LCC** (XGRIDS)       |  商业化SDK  |           多平台SDK           |  空间分块+LOD耦合、Cesium集成  |
| **SuperSplat** (PlayCanvas) | 开源编辑器+引擎 | PlayCanvas + WebGL2/WebGPU |    SOG格式、碰撞检测、轻量易用    |
|        **Visionary**        |   学术研究   |       WebGPU + ONNX        |      每帧推理、插件式架构       |
|        **gsplat.js**        |  开源通用库   |       类Three.js API        |      轻量级、基础LOD支持      |
|     **FJD Trion** (丰疆)      |   商业软件   |            专有格式            |        需授权，未试用        |

### 3.2 核心差异对比

| 维度        | Spark 2.0                | LCC        | SuperSplat         |
| --------- | ------------------------ | ---------- | ------------------ |
| **渲染预算**  | 固定预算（桌面2.5M/移动500K~1.5M） | 分块LOD机制    | 全局预算管理             |
| **文件格式**  | .RAD（渐进式传输）              | .lcc（紧凑编码） | .sog（空间有序）         |
| **内存管理**  | GPU虚拟显存分页                | 压缩+LOD优化   | gsplat.splatBudget |
| **LOD类型** | 连续LOD（树切面）               | 离散LOD+空间分块 | 离散LOD流式分块          |
| **碰撞检测**  | 不支持                      | 需自行实现      | 内置体素碰撞数据生成         |
| **最大场景**  | 1亿+Splat                 | 80万㎡场景验证   | 千万级Splat           |

---

## 四、实测数据

### 4.1 测试场景

| 场景   | 大小    | 来源      | 类型    |
| ---- | ----- | ------- | ----- |
| 西北大学 | 2.12G | LCC官方示例 | 外部大场景 |
| 书店   | 404M  | LCC官方示例 | 内部小场景 |
| 教堂   | 776M  | LCC官方示例 | 外部小场景 |
| 台阶   | 1.38G | 中海达数据   | 外部场景  |

### 4.2 测试设备

- **低性能台式机H**：i7-9700 + AMD Radeon R7 430
- **高性能台式机**：i9-10900K + RTX3070
- **笔记本W**：i7-9700 + AMD Radeon R7 430

### 4.3 数据处理效率

| 方案 | 台阶场景处理时间 | 备注 |
|------|-----------------|------|
| Spark 2.0 | 较长（Rust源码需二次开发） | 部分PLY兼容性有问题 |
| LCC | ~10秒（LCCEditor） | 存在视觉跳变问题 |
| SuperSplat | 需二次开发（Node.js库） | 支持碰撞数据生成 |

**碰撞数据生成时间**（笔记本W）：
- 书店场景：~2分钟
- 教堂场景：~3分40秒

### 4.4 渲染性能排名

**相同场景、相同模式、相同设备下：**

1. **SuperSplat** — 性能最佳
2. **LCC** — 与SuperSplat基本相当，部分情况略逊
3. **Spark 2.0** — 性能表现最差

> 注：LCC2在不同性能模式下表现基本无变化，可能有额外处理逻辑。

### 4.5 渲染质量对比

| 问题 | Spark 2.0 | LCC | SuperSplat |
|------|-----------|-----|------------|
| 视觉跳变 | 无 | 有（旋转视角出现模型漏洞） | 无 |
| 性能模式模糊 | 正常 | 模糊 | 性能模式下模糊，标准及以上正常 |
| 放大细节 | 可加载清晰细节 | 模糊 | 可加载清晰细节 |

### 4.6 功能对比

| 功能       | Spark 2.0 | LCC        | SuperSplat  |
| -------- | --------- | ---------- | ----------- |
| 碰撞检测数据生成 | 不支持       | 需自行实现      | 内置支持（体素八叉树） |
| 第一人称行走   | 需自行实现     | 有API但需自行实现 | 内置支持        |
| 点云渲染     | 不支持       | 不支持        | 引擎支持        |
| Cesium集成 | 不支持       | 支持         | 不支持         |

---

## 五、技术趋势

1. **连续LOD替代离散LOD**：消除视觉跳变，实现无缝过渡
2. **流式传输标准化**：先展示低精度全局视图，再逐步细化
3. **WebGL向WebGPU迁移**：计算着色器开启更复杂LOD算法可能
4. **空间分块与LOD深度融合**：特别适合大地图、城市级实景
5. **AI驱动智能LOD**：神经网络动态预测最优LOD配置

---

## 六、推荐方案及理由

### 选择 SuperSplat 的核心理由

1. **渲染性能最优** — 实测FPS最高，CPU/GPU耗时最低
2. **碰撞检测内置** — 支持体素碰撞数据生成+第一人称行走
3. **无视觉跳变** — 渲染质量稳定，无LCC的旋转漏洞问题
4. **传输最快** — LOD数据最小，场景初始化最快
5. **开源生态** — MIT协议，PlayCanvas引擎成熟

### 待解决问题

| 问题      | 说明                                           |
| ------- | -------------------------------------------- |
| LOD生成效率 | @playcanvas/splat-transform 需二次开发，当前为Node.js |
| 碰撞数据质量  | 生成数据质量需进一步研究优化                               |
| 点云渲染    | 引擎支持但Demo未实现                                 |
| GIS大场景  | Cesium对3DGS LOD支持不足，仅LCC支持Cesium集成           |
| 浏览器适配   | 不同手机和PC 浏览器兼容有差异                             |
|         |                                              |

---

## 七、Hi-LiDAR 数据处理发布流程

已基于 @playcanvas/splat-transform 搭建3DGS在线数据处理和演示系统：

1. **数据接收** — 接收Hi-LiDAR推送 / 支持模型上传
2. **LOD处理** — 支持自动/手动生成LOD数据
3. **模型管理** — 在线预览和发布管理
4. **分享能力** — 链接分享 + 二维码扫码在线查看
5. **用户管理** — 集成中海达会员系统

**Demo演示地址**：http://172.16.36.73:8092/

---

*汇报完毕，请审阅。*