第7轮挖掘，这次换赛道：空间三维重建——用手机绕着物体拍一圈，得到一个可以在网页里转着看、还能导出 3D 打印的模型。这条链路在 2023 年因 Inria 的 Gaussian Splatting（3D高斯泼溅）论文彻底引爆，到 2026 年已经从实验室玩具长成完整工具链：定位采集 → 训练重建 → 编辑压缩 → 网页交付，每一环都有拿得出手的开源实现。本期 8 个仓库正好按这条流水线排布：既有 1 万多 Star 的基石项目，也有两个 Star 不到两千、但把使用门槛打到“打开浏览器”的小而美。文内 Star 数为约数，以仓库页面实时数据为准。
一句话定位：高斯泼溅的原始官方实现，整个生态的源头，也是理解这项技术最好的教材。
痛点：NeRF 时代训一个场景要数小时，渲染还得跑一个臃肿的神经网络，想在手机上实时看？想都别想。
核心拆解：它把场景表示成几十万个带颜色、透明度和各向异性协方差的 3D 高斯椭球，用可微光栅化直接渲染——没有神经网络推理，天然适合 GPU 并行。训练时按梯度信号自动克隆、分裂、修剪高斯点，照片从疏到密“长”出细节。一张主流 NVIDIA 显卡，配好 conda 环境后 python train.py -s 照片目录，半小时左右就能得到一个可以实时环绕观看的场景。前置依赖 COLMAP 做相机定位。代码是研究风格，读起来比工程库费劲，但每个模块都对应论文一节。
上手难度：⭐⭐⭐⭐
适用人群：研究者、想搞懂原理再动手的工程师。变现思路：以它为内核接本地化部署的扫描外包，是最直接的路径。
一句话定位：运动恢复结构（SfM）+ 多视图立体的老牌基石，几乎所有重建管线的第一步都跑在它身上。
痛点：你拍的是一堆毫无坐标信息的照片，训练器需要知道每张照片从哪个位置、什么角度拍的——这活儿谁干？COLMAP。
核心拆解：增量式 SfM 的教科书实现：特征提取与匹配、增量建图、光束法平差，一步不缺。双形态使用：GUI 里把照片拖进去点 Reconstruction，小白也能跑通；命令行 + CUDA 加速则是批量生产姿势。ETH Zurich 团队维护了十余年，文档、问答、参数说明全得不像学术项目。你大概率不会“二次开发”它，但一定会反复依赖它——nerfstudio、原版 3DGS、几乎所有 splat 训练器的数据预处理都默认调它。
上手难度：⭐⭐⭐（GUI 傻瓜化，参数调优则深不见底）
适用人群：所有想玩重建的人，绕不开。变现思路：单独卖它没人买，但它是扫描服务的隐性成本中心，吃透参数=交付质量拉开差距。
一句话定位：NeRF 与 splat 时代的“一条龙工作台”，一行命令从数据跑到成品。
痛点：原版实现是论文代码，数据格式、训练参数、可视化全要自己拼。想快速出活？没门。
核心拆解：ns-train splatfacto --data 数据目录 一行命令启动训练，内置 Web 查看器实时观察重建进度，训完一条 ns-export 导出视频、splat 文件甚至 mesh。架构上采用 method 插件化设计——nerfacto、splatfacto 等方法可插拔换装，社区新算法几乎都以 nerfstudio 插件形式发布，等于买一送一附赠整个前沿算法库。伯克利团队出品，文档质量是同类中最好的，从安装到出片跟着教程走基本不踩坑。
上手难度：⭐⭐⭐（命令简单，搭 CUDA 环境仍有门槛）
适用人群：要快速交付的应用开发者、毕设党。变现思路：基于它包一层行业化的采集 App + 云端训练 API，卖“拍照即建模”服务。
一句话定位：把 splat 训练门槛从“必须有 4090”打到“有 CPU 就能跑”的 C++ 实现。
痛点：上面三位爷全都要 NVIDIA 显卡。Mac 用户、没独显的学生、想部署在边缘设备的团队，直接被挡在门外。
核心拆解：纯 C++ 实现，依赖 OpenCV 这类常规库，编译完得到一个单文件可执行程序，Linux、macOS、Windows 乃至树莓派都能跑——官方 README 明确把树莓派列为支持目标。支持训练遮罩（把行人、水面剔除出场景）、透明物体调优等实用特性，据项目自述训练质量可与官方实现对齐。速度当然比 GPU 慢，但“能跑”和“不能跑”之间隔着一个市场：老笔记本批量处理监控摄像头画面、离线环境建模，都是它独有的生态位。
上手难度：⭐⭐⭐（需自行编译，无 GUI）
适用人群：Mac 用户、边缘计算玩家。变现思路：树莓派 + 摄像头模组攒一台“小型扫描盒子”，卖给文保点和店铺做低成本数字化。
一句话定位：Rust + wgpu 写的 WebGPU 训练器——浏览器打开网页，拖进一段手机视频，当场开始重建 3D 场景。
痛点：想让别人体会 splat 有多神奇，装环境、配显卡、下数据，演示成本半小时起步，观众早跑了。
核心拆解：Brush 最震撼的点是训练过程本身就是可交互画面——不是等进度条走完再看结果，而是场景在你眼前一帧帧“结晶”，鼠标随时可以拖动视角钻进去看。技术上用 Rust 重写了训练管线，借助 wgpu 同时跑在原生平台和浏览器 WebGPU 上；既支持从视频/照片现场训练，也能加载已有的 PLY 文件做查看和基础编辑。Star 虽不到两千，却在社区演示视频里出镜率极高——它把“拍照变3D”的第一印象成本压到了零。
上手难度：⭐（打开演示页即可体验）
适用人群：所有人，尤其教学和演示场景。变现思路：内嵌到摄影类 App 当“一键 3D”卖点，或做成展馆互动装置。
一句话定位：浏览器里的 splat 编辑器，训练完到发布之间的必经一站。
痛点：训出来的 splat 一堆漂浮噪点、背景杂物、多场景没法拼接，直接丢上网又大得吓人——谁来收拾？
核心拆解：PlayCanvas（就是那家 Web 游戏引擎公司）出品，纯浏览器运行：框选删除浮点、裁剪包围盒、调色、多 splat 合并、场景重定向，最后按 PLY、splat 或压缩格式导出。据 PlayCanvas 官方博客与多家媒体报道，其稀疏量化压缩方案被 MPEG 的高斯泼溅压缩标准采纳为基础（此说未经二次核实，以官方公告为准）——网页小工具反哺国际标准，开源项目的高光剧本。姊妹项目 splat-transform 提供命令行格式转换，适合批处理。
上手难度：⭐
适用人群：所有要发布 splat 的人。变现思路：扫描工作室的后期管线标准件，压缩环节直接决定网站加载体验和带宽账单。
一句话定位：节点式摄影测量桌面软件——想要能 3D 打印、能进 Blender 的实体网格，看这里。
痛点：splat 再美也是“点云球”，游戏引擎不认、3D 打印机更不认。要真正的多边形网格 + 纹理，得走经典摄影测量路线。
核心拆解：底层是 AliceVision 算法库，Meshroom 是它的图形外壳：左栏节点图里从 PhotoImport、FeatureMatching 到 Texturing 拖出一条管线，右栏实时预览，出的是带高精度纹理的标准 mesh 文件。缺点要提前知道：深度计算等关键节点吃 NVIDIA 显卡，纯 CPU 能跑但慢（部分节点可绕过）；节点图对新手有学习曲线。对本期的 splat 工具链正好互补——splat 负责“好看”，Meshroom 负责“可用”。
上手难度：⭐⭐（有 GUI，但懂点摄影测量原理事半功倍）
适用人群：文博数字化、3D 打印玩家、游戏资产生产。变现思路：文物、产品、婚纱照的扫描建模服务，按件收费，交付即实体网格。
一句话定位：把 splat 塞进任意网页的轻量 JS 库——最后一公里交付件。
痛点：模型训好了、也压小了，怎么让客户在手机浏览器里丝滑打开？总不能让他们装查看器吧。
核心拆解：WebGL2 驱动的渲染库，由 Hugging Face 的 3D 方向开发者 dylanebert 维护，几行代码加载 .splat/.ply 文件并渲染，高斯点排序放在 Web Worker 里避免卡主线程，支持轨道控制、多场景加载。它不绑 three.js，体积小、上手快，前端工程师半天就能集成进现有站点。配合上一节的压缩导出，单个场景可以压到几 MB 级别，移动端加载体验过关——这一步决定了 3D 展示是真需求还是玩具。
上手难度：⭐⭐（会前端就行）
适用人群：前端工程师、外包团队。变现思路：给楼盘、电商、展览官网做“3D 看样”组件，按项目收开发费或按年收维护费。
| 仓库 | 流水线环节 | Star（约） | 上手难度 | 一句话场景 |
|---|---|---|---|---|
| gaussian-splatting | 训练重建 | 1.6万 | ⭐⭐⭐⭐ | 读懂原理的源头代码 |
| colmap | 采集定位 | 8千 | ⭐⭐⭐ | 从照片恢复相机位姿 |
| nerfstudio | 训练重建 | 1.1万 | ⭐⭐⭐ | 一行命令一条龙 |
| OpenSplat | 训练重建 | 2.4千 | ⭐⭐⭐ | 没显卡也能训 |
| brush | 训练重建 | 1.5千 | ⭐ | 浏览器里现场训 |
| supersplat | 编辑压缩 | 3千 | ⭐ | 发布前的清扫车间 |
| Meshroom | 网格输出 | 1.2万 | ⭐⭐ | 3D打印与游戏资产 |
| gsplat.js | 网页交付 | 1.5千 | ⭐⭐ | 嵌进任意网站 |
mindmap
root((拍照建模工具链))
采集与定位
COLMAP
手机环拍或短视频
训练重建
原版3DGS实现
Nerfstudio一条龙
OpenSplat纯CPU
Brush浏览器内训
编辑与压缩
SuperSplat网页编辑器
SplatTransform命令行
上线交付
gsplat.js网页嵌入
Meshroom出实体网格
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。