3D高斯泼溅（3DGS）作为一种新兴的场景表示方法，通过大量各向异性的三维高斯函数重建场景，能够实现高度真实感的实时渲染。然而，随着场景规模增大，高斯点数量动辄达到数百万甚至千万级，渲染每帧都需要处理全部点，导致GPU负载陡增。为了解决这一问题，层次细节（Level of Detail，LOD）技术被引入，其核心思想是根据观察者与物体的距离动态调整模型精度。本文将深入探讨3DGS中基于距离的模型简化方法。
在大规模场景中，高斯点的分布往往不均匀，远处区域可能包含大量对最终图像贡献极小的点。如果不加区分地渲染全部点，不仅浪费计算资源，还会严重拖慢帧率。基于距离的LOD通过减少远处高斯点的数量或降低其精度，在保持视觉质量的同时大幅提升渲染性能。下面从多个角度详细展开。
为什么3DGS需要层次细节？
3DGS的渲染管线通常需要将每个高斯点投影到屏幕空间，然后进行光栅化和颜色混合。这一过程的计算成本与高斯点的总数大致成正比。在包含数百万个高斯点的场景中，如果不做任何优化，即使使用高性能GPU，帧率也可能掉到10fps以下。距离远的物体在屏幕上只占据很少的像素，其细节对最终图像的影响微乎其微，但高斯点数量却不会因为距离变远而自动减少，这就造成了严重的计算浪费。
从视觉感知的角度来看，人眼对远处物体的细节分辨能力有限。当物体与视点的距离增大时，其投影面积缩小，高频细节在屏幕上已经无法分辨，此时完全可以降低其几何和颜色精度，而不会引起主观视觉质量的明显下降。LOD正是利用了这一特性，通过动态调整远处高斯点的密度或参数，将有限的GPU算力集中在近处和屏幕贡献大的区域。
定量地说，在典型的室外场景中，距离相机50米以外的高斯点可能占总数的60%以上，但它们在屏幕上的贡献占比往往不足5%。通过合适的LOD策略，可以将这部分点的渲染开销降低到原来的40%甚至更低，整体帧率可提升2至3倍，且用户几乎察觉不到质量变化。
基于距离的LOD核心思路与常见策略
实现基于距离的LOD首先要选择合适的距离度量。最常用的是欧几里得距离，即计算相机位置到高斯点中心的直线距离。这种度量直观且计算简单。另一种是视空间深度（即相机坐标系下的z值），它更符合透视投影的特性，因为深度相同的物体在屏幕上所占像素数量相近。实际应用中，两者可以结合使用：先根据深度进行粗略分层，再在层内使用欧几里得距离做细粒度调整。
策略一：距离阈值分档。这是最简单的实现方式。预先定义若干距离区间，并为每个区间指定一个高斯点采样比例。例如，0至10米保留100%，10至30米保留50%，30至100米保留10%，超过100米保留1%。渲染时，根据每个高斯点到相机的距离确定其所属区间，然后按照比例随机丢弃部分点。这种方法实现快、开销低，但距离跨越阈值时高斯点数量会突变，可能引起画面闪烁。
策略二：层级聚类。将高斯点按照空间位置组织成树状结构（如八叉树或BVH），树的每一层代表不同的聚合粒度。在渲染时，根据距离选择适当的层级，用该层级的聚合节点代替其子树中的所有高斯点。每个聚合节点可以表示为一个合并后的高斯，其参数（位置、协方差、颜色）由子树内所有点加权得到。这种方法质量更高，过渡更平滑，但需要预处理阶段构建层级结构，并额外存储聚合节点数据。
策略三：自适应密度调整。这种方法不直接丢弃点，而是根据高斯点在屏幕上的投影面积动态调整其参数。当一个高斯点投影后尺寸小于一个像素时，它可以与邻近的高斯点合并，合并后的高斯具有更大的协方差和平均颜色。这种合并在物理上更自然，且能保持能量守恒，但实现复杂度较高，通常需要GPU端支持动态合并操作。
代码实现：动态距离阈值与高斯点筛选
为了直观展示基于距离的LOD如何落地，我们给出一个使用Python实现的简单示例。假设场景中的每个高斯点至少包含位置信息（三维坐标），其他属性如协方差、颜色、不透明度等在筛选后保持不变。下面的代码根据相机位置和预设的距离阈值，按比例随机选择保留的高斯点。
import numpy as np
def select_lod_gaussians(camera_pos, gaussians, thresholds, sample_ratios):
"""
camera_pos: 相机位置，形状为(3,)的numpy数组
gaussians: 列表，每个元素为(center, opacity, color, covariance)
center为形状(3,)的numpy数组
thresholds: 距离阈值列表，递增顺序，例如[10.0, 30.0, 100.0]
sample_ratios: 与thresholds对应的采样比例，最后一个为超出最大阈值的比例
长度必须等于len(thresholds)+1
返回: 被选中的高斯点列表
"""
selected = []
for g in gaussians:
center = g[0]
dist = np.linalg.norm(center - camera_pos)
# 找到当前距离所属的阈值区间
ratio = sample_ratios[-1] # 默认使用最后一个比例（最远区间）
for i, th in enumerate(thresholds):
if dist < th:
ratio = sample_ratios[i]
break
# 随机决定是否保留该高斯点
if np.random.rand() < ratio:
selected.append(g)
return selected
这段代码的核心逻辑是对每个高斯点计算到相机的欧几里得距离，然后依次与阈值比较，确定其属于哪个距离区间，最后用均匀随机数决定是否保留。例如，若thresholds=[10,30,100]，sample_ratios=[1.0,0.5,0.1,0.01]，则距离小于10的点全部保留，10至30之间的保留一半，30至100之间的保留10%，超过100的只保留1%。随机采样的方式引入了随机性，可能导致相邻帧之间的高斯点集合变化较大，从而出现闪烁。一种改进是使用确定性采样，例如根据高斯点的索引对某个数取模来决定保留与否，这样在相机位置不变时结果稳定。
在实际渲染管线中，筛选出的高斯点会被送入GPU，并且可以进一步调整其参数以匹配LOD等级。例如，远处保留下来的高斯点可以适当增大协方差矩阵的尺度，以覆盖被丢弃的邻近点的影响，从而减少视觉上的空洞感。这种调整可以在CPU端预计算，也可以利用GPU的compute shader实时完成。
性能优化与质量平衡的实战要点
基于距离的LOD虽然能显著提升性能，但若处理不当，也会引入新的问题。最突出的是距离跨越阈值时的视觉跳变。当相机移动导致大量高斯点瞬间被剔除或恢复时，画面会出现明显的“闪烁”或“弹出”现象。为了缓解这个问题，可以采用连续化的权重函数替代硬阈值，例如使用sigmoid函数根据距离计算保留概率，使高斯点的剔除过程平滑过渡。另一种方法是进行时间插值，在阈值附近维持一个过渡带，让点集的变化在几帧内逐步完成。
内存与存储管理是另一个关键点。对于大规模场景，预先为不同距离区间生成不同精度的LOD层级数据并存储在磁盘或内存中，渲染时根据视点位置按需加载，可以降低运行时内存压力。流式加载策略尤其适合开放世界场景：只加载视点附近的高精度高斯点，远处使用低精度表示，随着视点移动动态更新。这种方式能将显存占用从全量加载的数十GB降低到几个GB，使得在消费级显卡上运行超大规模场景成为可能。
LOD还可以与其他优化技术叠加使用，获得更高收益。视锥剔除（Frustum Culling）能够直接排除不在相机视野内的高斯点，与距离剔除互补。背面剔除对于封闭或半封闭物体可以减少约50%的处理量。结合这些技术，在包含数百万高斯点的城市场景中，实测帧率可以从12fps提升到45fps以上，且主观视觉质量几乎不变。未来，基于机器学习的重要性预测可能进一步优化LOD选择，例如训练一个小型网络根据视点位置和历史信息动态决定每个区域的高斯点密度，实现更智能的资源分配。
