3D Gaussian Splatting
https://www.youtube.com/watch?v=2SQUMYw0h0A
一个讲得非常好得视频
overview：
把利用SFM得到的点云坐标作为高斯椭球均值，然后初始化高斯椭球。
将高斯椭球投影到像素平面---->光栅化得到
---->计算与Image
的差异作为梯度传播---->自适应密度控制调整高斯求数量---->将高斯椭球投影到像素平面
高斯椭球：
3D高斯的形状是一个椭球，论文中对于高斯椭球的定义：
在这种表示下面，我们希望存储（优化）的信息就是：
1. 每个点的坐标（3D高斯的均值）；
2. 每个点的高斯表示中的𝛴;
3. 每个点的颜色
；
4. 每个点的不透明度𝛼；
接下来我们看看论文中是如何处理这四个信息
position ：
初始化时，利用SFM得到的点云坐标作为高斯椭球均值
𝛴的处理：
表示：
3DGaussian的𝛴需要半正定，直接优化𝛴可能导致𝛴满足不了这一条件
使用 放缩变换 S 和旋转变换 R 组合得到 𝛴 ，即：
由于放缩变换都是沿着坐标轴，所以只需要一个3D向量 s ，旋转则用四元数 q 表达
3D ->2D:
在渲染时，我们需要将3D高斯投影到2D ：
其中这里 W 为世界坐标到相机坐标的转换；J代表project变换，对其进行仿射近似，再取雅克比矩阵（Jacobian）。我们可以对每个高斯在其中心点展开，得到其雅可比矩阵，就可以得到这个高斯的线性变换矩阵****J.
经过这个变换之后，我们只要丢掉Σ′的第三行的第三列就是投影到相机平面的协方差矩阵。
颜色：
每个点的颜色：
每个点的颜色时学习球谐函数获得的；
计算颜色：
其中
是2D高斯与不透明度的乘积，即:
这部分code主要位于这个模块：submodules/diff-gaussian-rasterization
自适应密度控制：
rasterization：
https://www.youtube.com/watch?v=1buFrKUaqwM
forward ：
1-计算投影出来的半径，计算投影出来COV2D，取最大特征值*3作为圆的半径。
2-计算这些圆覆盖哪些像素，蓝色区域认为其覆盖的像素范围。
3-计算每个高斯的贡献度
4-计算每个像素的颜色
算法流程：
