说实话，一年前我还在用NeRF做三维重建，训练一次等得我都快睡着了。现在HarmonyOS 7把3DGS搬到端侧，我才真正体会到什么叫"降维打击"。

先回答标题的问题：NeRF真过时了？

不完全是"过时"，但如果说端侧实时渲染这件事，那NeRF确实不太行。有研究者指出，NeRF虽然能生成高质量内容，但在移动设备上遇到实时渲染的瓶颈，而3DGS提供了有前景的替代方案，能以较低的计算需求实现照片级渲染。

可以这么理解：NeRF靠的是神经网络隐式建模，渲染一帧要查询几十上百次MLP网络，算力需求大得吓人。而3DGS走的是显式点云+栅格化路线，训练快、渲染更快。

不过话不能说太死——在复杂场景的完整性方面，NeRF在某些低纹理区域的表现反而更好。所以不是谁彻底淘汰谁，而是各自有适合的场景。

核心区别：一个靠"算"，一个靠"猜"

用大白话解释下两者的本质区别：

NeRF：纯"猜"出来的模型

NeRF本质上是个神经网络。你输入一堆照片，它通过训练"记住"场景中每个位置在不同视角下应该长什么样。渲染的时候，每条光线都要钻进网络里"问"一遍颜色和密度，计算量巨大。

优势是理论上可以无限精细，缺点是慢、慢、慢。训练几小时，渲染一帧几秒，这在手机上根本跑不动。

3DGS：实实在在的"高斯球"

3DGS走的是另一条路：用一堆椭球体把场景堆出来。每个高斯球都有位置、形状、颜色、透明度这些实实在在的属性，渲染的时候直接投影到屏幕上做alpha混合就行了。

为什么它快？因为不需要"猜"，直接算就完了。HarmonyOS 7的Spatial Recon Kit把这套流程做到了系统级，还加了NPU加速，端侧几十秒就能出活。

3DGS为什么能在手机上跑起来？——深入原理层面

3DGS虽然快，但也不是随便什么设备都能跑的。要让它在手机上"飞"，得解决几个硬骨头：

瓶颈1：排序太慢（最大的坑）

3DGS渲染最大的计算开销是alpha混合前的排序——几百万个高斯球得按深度排好序才能正确叠加。有研究测过，排序这一步占了整体DRAM流量的49%以上，加上投影阶段合计占90%。而且随着场景变复杂，帧率会从8.5 FPS掉到4.9 FPS，根本达不到实时要求。

学术界在想办法绕过排序。Mobile-GS提出的核心方案就是无顺序渲染——不再依赖深度排序，而是用深度感知的顺序无关渲染方案，大幅加速渲染过程。华为这边则主要靠NPU矩阵加速硬刚计算量。

瓶颈2：高斯球太多，存不下

一个场景动辄几十万个高斯球，每个都有位置、协方差、球谐系数、透明度等一堆参数，总共59个参数。在内存有限的手机上，模型一加载可能就OOM了。

业界主流做法是剪枝——把不重要的高斯球干掉。Mobile-GS用了贡献度剪枝策略，在不明显损失画质的前提下把高斯球数量打下来。ICLR 2026上最新的Flux-GS更进一步，提出了多视图稠密化和剪枝策略，通过多视图约束准确剔除冗余高斯，能让高斯总数大幅下降，同时PSNR反而提升。

瓶颈3：球谐函数存不下

每个高斯球要存球谐系数（SH）来表示视角相关颜色，高阶SH精度高但数据量大。针对这个问题，Flux-GS提出了用蒙特卡洛能量聚合把高阶信息压缩到一阶SH里，大幅压缩存储。实验结果证明，一阶SH策略能有效捕捉复杂纹理和镜面反射，在移动硬件上也能达到接近真实的高质量渲染。

瓶颈4：纹理缓存不友好

另一个被忽视的问题是2D纹理缓存优化。因为排序操作在移动端占主导，有研究专门针对移动GPU的2D内存特性设计了新的排序算法，优化数据移动和排布，最终实现了排序阶段4.1倍加速、整体重建1.7倍加速，同时内存占用还降了1.6倍。

鸿蒙上实测：到底有多快？

直接上数据。在麒麟9020芯片的设备上，30秒视频（约900帧）端侧重建的全流程耗时：

阶段	耗时	说明
帧提取与筛选	~10秒	解析MP4，筛出关键帧
SfM稀疏重建	~20-30秒	计算相机位姿，算力消耗最大
3DGS优化	~30-60秒	NPU加速迭代高斯球参数
后处理导出	~5-10秒	滤波、压缩

总计约1-2分钟，模型包含10万到50万个高斯体，文件大小10-50MB。渲染直接用Component3D跑，30FPS稳稳的。

对比一下传统云端方案：上传→排队→等几十分钟→下载，用户体验完全不是一个量级。

最新学术成果的速度参考

作为参照，ICLR 2026发表的Mobile-GS已经在移动端实现了1098 FPS的无界场景渲染，存储压缩至4.8 MB。虽说那是研究环境下的极限优化，但方向很明确——端侧3DGS正在以前所未有的速度进化。

代码：在HarmonyOS上跑3DGS重建

这部分直接上干货，原理层面的注释我都标好了：

加载GSPlugin并显示3DGS模型

如果只是想加载已有的.ply或.glb模型，走GSPlugin这条路：

import { spatialRender } from '@kit.SpatialReconKit';
import { Scene, RenderContext } from '@kit.ArkGraphics3D';

interface GSResource {
  uri: string;        // 模型文件URI
  offset: number;     // 文件偏移
}

async function loadGSModel(gsModelUri: string): Promise<Scene> {
  // 1. 获取渲染上下文
  const renderContext = await RenderContext.getDefault();
  if (!renderContext) {
    throw new Error('渲染上下文不可用');
  }

  // 2. 加载GSPlugin插件（Spatial Recon Kit与ArkGraphics3D的桥梁）
  await renderContext.loadPlugin(spatialRender.GSPlugin.PLUGIN_ID);

  // 3. 创建空场景
  const scene = await Scene.load();

  // 4. 加载3DGS节点
  const resource: GSResource = {
    uri: gsModelUri,
    offset: 0
  };
  const gsNode = await spatialRender.GSPlugin.loadGSNode(
    scene, resource, scene.root
  );

  // 5. 配置位置和缩放
  gsNode.position = { x: 0, y: 0, z: -3 };
  gsNode.scale = { x: 1, y: 1, z: 1 };
  gsNode.visible = true;

  return scene;
}

注意：loadPlugin这一步是关键，它把3DGS的渲染逻辑注册到ArkGraphics3D的管线里，后续的Camera、Light、Component3D跟普通3D模型完全一致。

端侧重建新模型

如果要从零生成模型，走重建管线：

import { spatialRecon } from '@kit.ArkGraphics3D';

// 配置重建参数
const reconConfig: spatialRecon.ReconstructionConfig = {
  mode: spatialRecon.ReconstructionMode.HIGH_QUALITY,
  maxFrames: 120,              // 最多采集120帧
  enableDensification: true,   // 开启稠密化，细节更丰富
  gaussianCount: 500000        // 高斯球上限，低端机调低到20万
};

// 核心：每一帧喂进去，NPU自动做特征提取和位姿估计
async function startReconstruction(imagePixelMaps: image.PixelMap[]) {
  const session = await spatialRecon.createSession(reconConfig);
  
  // 进度回调
  session.on('progress', (stage: string, percent: number) => {
    // stage: 'feature_extraction' | 'sfm' | 'gaussian_opt' | 'export'
    console.log(`${stage}: ${(percent * 100).toFixed(0)}%`);
  });
  
  // 逐帧喂入（内部自动做关键帧筛选）
  for (let img of imagePixelMaps) {
    await session.addFrame(img);
  }
  
  // 触发重建，输出PLY模型
  const outputPath = '/data/storage/.../model.ply';
  await session.reconstruct(outputPath);
}

后处理：滤波、压缩、裁剪

重建完的模型还可以进一步优化，Spatial Recon Kit提供了几个实用API：

// 过滤高质量高斯体（移除漂浮噪点）
await spatialRender.GSPlugin.filterHighQuality(modelPath, outputPath);

// 压缩模型体积（可压缩至30%-50%）
await spatialRender.GSPlugin.compressModel(modelPath, outputPath, {
  quality: 'medium'
});

// 裁剪指定区域
await spatialRender.GSPlugin.cropRegion(modelPath, outputPath, {
  min: { x: -1.0, y: -0.5, z: -1.0 },
  max: { x: 1.0, y: 0.5, z: 1.0 }
});

注意：同一时间只能跑一个重建任务，同时跑多个会OOM，建议做任务队列串行调度。

踩坑指南（血泪教训）

1. 模型加载插件没注册

如果加载3DGS模型时一片黑，先检查loadPlugin有没有调用。这是最容易漏的一步，漏了就渲染不出来。

2. 光照要有

3DGS模型本身不带光照信息，场景里不加光源就是黑的。记得配好环境光和方向光。

3. 高斯球数量要因地制宜

高端机可以拉到50万，中端机建议降到20万以内，否则内存分分钟爆掉。

支持哪些格式？

Spatial Recon Kit支持三种主流格式：

格式	说明	适用场景
MP4	重建输入，用户拍的环绕视频	从零创建3D模型
PLY	3DGS原生点云/高斯体格式	科研和高级用户交换数据
GLB	标准3D传输格式，可嵌入3DGS扩展	与现有glTF工具链兼容

特别说明一下GLB格式：Spatial Recon Kit支持在标准glTF 2.0文件中嵌入3DGS扩展（EXT_gaussian_splatting），这意味着一个GLB文件可以同时包含传统网格数据和高斯体数据，工具链与现有glTF生态完全兼容。

写在最后：谁更适合什么场景？

我的建议是：

• 需要高质量、不在乎时间（比如影视特效、离线渲染）→ 可以继续用NeRF
• 需要端侧实时、交互体验（比如AR预览、电商3D展示、文旅展陈）→ 无脑上3DGS

HarmonyOS 7把3DGS这套能力做到系统API层，对开发者来说门槛已经很低了。拿着手机拍一圈，本地就能出3D模型，隐私安全还不用担心数据上传——这在以前想都不敢想。

这套技术落地的方向很多：电商商品3D展示、博物馆文物数字化、个人3D创作……感兴趣的话可以翻翻我之前的实战文章，有完整流程。

如果这篇原理剖析对你有帮助，点赞收藏不迷路。有问题评论区见，看到就回。(抖音: 黑马程序员就业指南)