课程 · 2026-09 起
街景 3DGS 补课
课题跑了一个多月，实验做了一堆，但底下那层一直没自己走过一遍。这门课就是补那一层：从一个椭球开始，一直补到驾驶场景的外推评测协议。每节课都对着 ziyc/drivestudio 的真实源码和默认值讲，不讲空的。
六节课全部完成。前三节把表示和代码打通，后三节转向这个课题真正要吵的地方：怎么评测、已有结果怎么重读、周围的人都在做什么。
课题现状 · 2026-09-03
01
从一个椭球到一张图
原版 3D Gaussian Splatting。59 个参数、协方差为什么要拼不要学、球谐怎么表达视角相关色、alpha 合成、训练损失与学习率，以及那套决定高斯生死的自适应密度控制。
02
街景怎么把 3DGS 撑大
场景图与刚体车节点、谁才算「会动的车」、LiDAR 撒点初始化与深度监督、天空环境贴图、逐图像曝光仿射与它在评测里挖的坑、相机位姿优化，最后逐行读完 streetgs.yaml。
03
DriveStudio 代码地图
仓库全景、配置三层合并、两条继承链、一步训练的完整调用栈、每步拿到的数据字典、参数组命名规则、产物目录，最后一张「我想改 X 该动哪儿」的索引。这一节是拿来查的。
04
插值、外推，以及为什么会崩
常规协议测的是时间插值；留出整条相机才是空间外推。怎么判定一个像素被看过、这个协议自己的三个弱点、曝光为什么必须在观测区上后拟合、不分区会得出什么错误结论。
05
重读你们自己的结果
四个示例场景的车根本没动、共视率 12.7% 该怎么重新解释、Fisher 沿视线退化、高斯越训越长的真实机制、六个训练侧干预的负结果与失败原因、kNN 填色那个唯一的大效应。每条结论标了能撑什么。
06
周围的人在做什么
领域的六条活跃线、同一条线上的邻居、效率线上你站过的位置、外推这个公认痛点崩到什么程度、修补流派花了多少钱买到什么，以及写 related work 时怎么划界。
课里会引用到 v3（Fisher 感知训练）的一些说法，所以先把它现在的状态摆清楚，免得看着像还没验证的猜想在当结论用。
方法层基本没站住。09-02 通宵试了六个训练侧干预（Fisher 阻尼两档、深度权重 ×10、沿视线拉长正则两档等），观测区全部落在 ±0.1 dB 的噪声带里，未观测区一律更差 0.3 到 1 dB。唯一略正的是 Sparse Adam，+0.1 到 0.2 dB，效应太小。
站住的是分析和协议这一半：八个示例场景里四个的车根本没动；光度 Fisher 沿视线退化（静止场景弱七个数量级，行驶场景弱三个）；行驶场景里高斯沿视线越训越长，机制是横向被压薄；留出相机评测必须把像素分成看过 / 没看过两类，否则整张图被没看过的区域决定。另外有一个零成本的正结果：把没被看过的高斯的颜色换成最近邻观测高斯的均值，未观测区 +1.95 dB。
所以课文里凡是标了「接到你的课题」的旁注，都按这个口径读：诊断可信，方法待定。