过去,三维重建领域一直在追求一件事:让生成的模型尽可能接近真实世界。3DGS出现后,场景的新视角合成质量和渲染效率取得了显著进步,但一个问题也逐渐显现:模型看起来真实,不代表它真正理解了物体的材质和光照。 举个例子,同一块金属在阳光下会呈现强烈反射,在阴影中又可能变得暗淡;一件白色衣服在暖色灯光下可能呈现黄色,但它本身的材质颜色并没有改变。如果重建算法只是把这些颜色和光照效果一起“烘焙”进模型,那么当我们更换光源、调整环境亮度或旋转物体时,就可能出现不自然的结果。真正有价值的三维资产,不应该只记住拍摄时的外观,还应该尽可能恢复几何(Geometry)、材质(Material)和光照(Lighting),让它们能够独立控制。这正是逆渲染(Inverse Rendering)和材质—光照解耦研究希望解决的问题。
围绕这一方向,近两年已经出现了多项值得关注的研究。CVPR 2025 的 RNG(Relightable Neural Gaussians) 将神经高斯扩展到可重光照场景,通过结合视角与光照方向建模,并引入阴影线索和深度细化网络,让不同形状的物体能够在新的光照条件下呈现更合理的外观。同届的 SVG-IR(Spatially-varying Gaussian Splatting for Inverse Rendering) 则提出空间变化高斯表示,让不同位置具有不同的法线和材质属性,并显式建模间接光照,从而改善材质与光照的分离效果。到了ICCV 2025,GeoSplatting 将显式几何引入高斯逆渲染,通过可优化 Mesh 提供更可靠的表面法线和遮挡关系,改善光传输建模,进而提高材质分解与重新打光的质量;同届的 SU-RGS 则关注稀疏视角和不受约束的光照条件,尝试从有限观测中同时恢复几何、材质和光照。值得重点关注的是 ICLR 2026 的 ReLi3D(Relightable Multi-view 3D Reconstruction with Disentangled Illumination):它提出一个统一的端到端前馈重建框架,输入带有相机位姿的稀疏多视角 RGB 图像,通过Transformer Cross-Conditioning融合不同视角的信息,再采用双路径预测策略:一条路径恢复物体几何与空间变化的物理材质(PBR),另一条路径从图像背景和物体反射中估计环境光照,并结合可微分Monte Carlo渲染进行训练。论文报告,该方法能够在 1 秒以内同时生成完整三维几何、材质属性和 HDR 环境光照,实现可重新打光的三维资产。与主要围绕高斯表示展开的逆渲染方法不同,ReLi3D 的输出侧重于带有物理材质属性的 Mesh 资产,体现了从稀疏多视角图像直接预测可编辑三维资产的另一条路线。2026 年的其他研究也在继续探索复杂材质与光照建模,例如 SSD-GS 尝试将反射分解为漫反射、高光、阴影和次表面散射等部分,IR-HGP 则关注高亮度、强反射场景下的逆渲染问题。
从工程角度看,这条技术路线已经不再只是生成一份包含颜色的三维模型,而是逐步形成一套可编辑的物理外观资产。输入端可以使用多视角 RGB 图像或视频,必要时补充不同光照条件下的观测;重建阶段通过 COLMAP 等工具估计相机位姿,再结合 3DGS、Mesh 或 SDF 建立几何表示;逆渲染阶段进一步估计 Albedo(反照率)、Roughness(粗糙度)、Metallic(金属度)、Normal(法线)以及 HDR 环境光照,并利用 BRDF/PBR 着色和可微渲染进行优化。开源方向可以关注 GS-IR,它展示了从多视图图像恢复几何、材质和环境光照,并支持重新打光与材质编辑;也可以结合 Blender 的 Cycles/Eevee、OpenGL 或WebGPU渲染管线,将分解后的材质参数用于后续场景编辑和实时展示。ReLi3D则提供了另一种值得关注的实现思路:通过前馈网络预测Mesh、PBR材质和环境光照,减少传统逐场景逆渲染优化的依赖。当然,材质与光照解耦仍然是一个病态问题:相同的图像颜色可能由不同的材质、光照和几何组合产生,单一光照下的观测尤其容易产生歧义;透明、半透明、镜面反射和复杂间接光照也仍然具有挑战。因此,模型输出了Albedo、Roughness等参数,并不意味着这些参数就一定等于真实物理测量值,还需要通过多光照观测、几何约束和重新打光实验验证。未来三维重建的竞争力,可能不再只是模型能否还原一张逼真的画面,而是能否真正拆解场景的外观成因,让一个三维模型在不同光照、不同材质和不同环境下,依然保持合理、可信的表现。
那么,该如何系统学习3DGS、三维重建、具身智能等3D视觉前沿技术呢?今天就给大家推荐一个专业、干货满满的学习圈子————「3D视觉从入门到精通」知识星球,这里不仅有SLAM和3DGS的学习资料,还覆盖了自动驾驶、具身智能、无人机、机械臂抓取等方向的干货资料。
经常有粉丝问这样一个问题:
「3D视觉从入门到精通」知识星球,里面有什么内容? 加入星球,是不是可以学习视频课程呢?有哪些会员权益? 以下将给大家详细介绍?(注:扫码加入后,可在知识星球APP/网页端微信登录,即可进入星球)
今天,咱们一起聊一聊这个沉淀了近9年的3D视觉技术圈子。
一 什么是知识星球?
知识星球是一个高度活跃的社区平台,在这里你可以和相同研究方向的小伙伴一起探讨科研工作难题、交流最新领域进展、分享3D视觉最新顶会论文&代码资料、分享视频(讲解3D视觉重要知识点)、发布高质量的求职就业信息,承接项目等,当然还可以侃侃而谈,吐槽学习工作生活。
二 「3D视觉从入门到精通」知识星球
目前已有近6300+活跃成员,主要涉及方向:工业3D视觉、SLAM、自动驾驶、三维重建、无人机、具身智能、大模型等科技前沿方向。


细分方向众多,包括但不限于:工业3D视觉、三维重建、自动驾驶、具身智能、大模型、扩散模型等科技前沿方向,也涉及视觉竞赛、硬件选型、视觉产品落地经验分享、学术&求职交流等。我们也会紧跟最新前沿科技发展,也是我们星球里的热门讨论话题。

三 星球内全系列视频教程汇总

视频教程分为两大板块:第一板块为核心主线课程,精心打磨了近20门系列视频教程,内容系统、循序渐进,更是大家学习的重点,带你学习工业3D视觉、SLAM、3DGS、自动驾驶与无人机等3D视觉技术,下面我们会详细介绍这部分内容;第二板块为前沿技术分享,特邀行业大咖与学术大牛开展直播分享,内容全面覆盖具身智能、自动驾驶、三维重建、数字人、扩散模型、3D生成等热门前沿方向,本部分为非重点内容,不再做详细介绍。
3.0 3DGS独家视频教程
3.0.1 3DGS三维重建系列视频教程

3.0.2 基于NeRF、3DGS三维重建的SLAM算法视频教程
本视频教程从理论和代码实现两方面展开,带你从零入门NeRF/Gaussian Based SLAM的原理学习、论文阅读、代码梳理等。理论层面,从线性代数入手到传统的计算机图形学,让大家明了现代三维重建的理论基础和源头;代码层面通过多个练习手把手教会大家复现计算机图形学、NeRF相关工作。

3.1 基础课程
3.1.1 高精度相机标定从理论到实战系统教程
本课程主要包含两部分,分别是相机标定和3D视觉,相机标定包含单目、双目和鱼眼相机标定;3D视觉包含立体视觉、结构光和TOF,以立体视觉为主。课程提供对应数据与代码。
课程亮点:除了相机标定的基础原理和代码之外,星球里还补充了高精度相机标定的改进方法以及实战技巧,这是相当硬核的。

3.1.2 ROS2从入门到实战视频教程
ROS2从入门到实战视频教程,从小白方式介绍到高阶使用讲解,对ROS2进行全面的实操教学训练,为大家提供系统性的学习机会。

3.1.3 四旋翼飞行器:算法与实战

3.1.4 C++从零基础入门到进阶
力求通过视频教程的学习,彻底搞懂C++较难的一些模块,掌握SLAM等算法的编写套路,学会C++相关岗位的面试技巧。学懂本课程,并且对其中的疑难点能够较好的理解运用,可以达到1-2年的C++开发工程师的经验水平。

3.2 工业3D视觉系列视频课程
3.2.1 基于面结构光三维重建系列视频


3.2.2 机械臂抓取、三维点云、三维重建等

3.2.3 线结构光(单双目)三维重建系统教程等
本门课程面向实战教学,手把手带你从零实现一套属于自己的线激光3D扫描系统。几乎每一个章节都配备有相应的讲义、代码,帮助大家更好地理解线激光三维重建技术。

3.3 SLAM系列视频
3.3.1 如何轻松拿捏LIO-SAM?(提供注释版本代码)

3.3.2 彻底剖析激光-视觉-IMU-GPS融合SLAM算法
本视频课程从理论和代码实现两个方面对激光雷达-视觉IMU-GPS融合的SLAM算法框架和技术难点进行讲解,并且博士大佬会根据自己多年的机器人工程经验,向大家讲解在实际机器人应用中多模态融合的方法和技巧。

3.3.3 ORB-SLAM3理论基础+关键技术详解

3.3.4 视觉-惯性SLAM:VINS-Fusion原理精讲
视觉-惯性SLAM的入门与实践视频教程,结合VINS-Fusion源码,系统地对视觉-惯性SLAM的基础理论知识进行梳理。整套课程由一线算法工程师教授,从基础理论到代码剖析,保姆级教学,助力学员一步步从小白成长为大牛。

3.4 自动驾驶
3.4.1 面向自动驾驶领域的多传感器融合系统教程
主要分两个大模块:理论篇和实战篇,理论篇部分主要介绍自动驾驶中常用的传感器硬件、传感器间的时间同步和空间同步以及多传感器间的信息融合理论知识;实战篇更多偏向工程应用,工程中传感器间同步与融合如何实现等。

3.4.2 面向自动驾驶领域的3D点云深度学习目标检测
本视频教程以3D点云深度学习为主,对Point-based和Voxel-based系列的3D目标检测网络架构进行系统剖析和代码梳理,助力各位同学在点云深度学习更快的入门和更深的理解。

3.4.3 单目深度估计方法:理论与实战视频
视频教程主要分为两大部分:理论篇和实战篇,由于有监督方法的深度真值获取困难,且无监督方法的效果与有监督方法几乎相当,我们将课程的重心放在了无监督方法上。

3.4.4 自动驾驶中的深度学习模型部署实战视频
本视频教程将采用理论和实践相结合的思路,首先对TensorRT的编程模型以及GPU/cuda的相关知识进行讲解,带领大家达到知其所以然的程度;之后课程将用分类、检测、分割三个例子来展示详细编程流程,并给出相关代码,达到真正能落地的工业级分享。

四 3D视觉基础入门
考虑到很多初学者在配置3D视觉软件或者视觉库可能会有困难,我们已经为大家梳理了各个模块的配置教程文档,供学习参考。

五 3D视觉源码汇总

下面为大家节选展示星球内的3D视觉行业相关源码:


六 高质量项目发布与对接
下面为大家节选展示星球内的项目承接:



七 专业的智囊团为星球成员答疑解惑
下面为大家节选展示星球内的答疑解惑:




八 最新前沿顶会论文分享
下面为大家节选展示星球内的前沿顶会:







九 精华问题100问
下面为大家节选展示星球内的精华问题100问:
结构光


相位偏折术


BEV与Occupancy


MVSNet


线结构光


Transformer


机器人规划控制

四旋翼建模与控制

十 3D视觉方向求职招聘
下面为大家节选展示星球内的求职招聘内容:


十一 星球会员权益
项目、学习、求职中遇到的问题,免费获得解答。 终身免费学习星球往期已更新完毕的所有视频内容。 星球每月之星给予丰厚的现金奖励。 优先承接来星球内部项目对接。 终身免费下载星球往期分享的文献和项目代码。 优先获得3D视觉企业(与工坊深度合作企业)内推资格。 快速找到志同道合的学习伙伴,不再单打独斗,抱团取暖,走得更快更远。 不定期星球内部会组织项目实训,包括相机标定、机械臂抓取、三维重建优化等
写在最后
目前已有6400多名3D视觉从业者正在星球里一起交流、分享、进步,我们也欢迎您一道同行!

