浙大 × 字节 × 港中深最新研究：告别高斯堆砌，终结 3D 冗余｜ECCV 2026

为什么字节要把“空间表示”的体积压掉 90%？ 作者丨吴思梦 编辑丨岑 峰 如果有一天，沉浸式直播里的每一个主播都拥有一个实时跟随的 3D 分身，观众可以在任何角度切进去和他对话，看到他的表情、衣服褶皱、头发飘动的细节，那么这个 3D 分身究竟应该有多大？ 这不是一个凌空蹈虚的问题，已经逐渐落定变成一个非常具体的工程问题。 过去几年，3D Gaussian Splatting（3DGS）让“从一堆照片里恢复出可以实时渲染的 3D 场景”这件事，第一次变得既真实又快速。今天的 AI 已经非常擅长从多视角图像中重建 3D 世界，而且这个世界的视觉质量已经接近照片级。 3D Gaussian Splatting 从多视角图像重建场景，并支持新视角合成。 图源：Kerbl et al., SIGGRAPH 2023 最直接的例子就是 3D Gaussian Splatting（3DGS） 本身。2023 年的原始论文就是从多张带相机位姿的照片/视频中建立一个 3D Gaussian 表示，然后从 没有真正拍摄过的视角 渲染新画面。论文的核心贡献之一，就是同时做到高视觉质量和实时渲染。 你可以把它想象成这样： 你拿着手机围着一个房间拍了一圈照片。 AI并没有把这些照片简单拼起来，而是从它们之间的关系推断出一个三维表示。 然后你把“虚拟摄像机”放到原来没有拍过的位置，AI依然可以给你渲染出一张看起来像真实照片的画面。 这就叫 Novel View Synthesis，新视角合 成 。 但接下来发生的事情，把这个能力推到了另一个问题面前。 当 3D 不再只是离线建模出来的城市或物体，而是要实时地跟着一个人跑、跟着一个房间转、跟着一次直播传输给成千上万的设备时，问题就从“AI 能不能生成一个 3D 世界”落到了另一个更为朴素的问题：这个 3D 世界，能不能装得下、传得动、跑得起来？ 在 ECCV 2026，浙江大学、字节跳动与香港中文大学（深圳）团队的 PointSplat 被收录为会议论文，聚焦面向人体的紧凑型 Gaussian Splatting，正是从这个问题出发的。 论文给它的定位写得很克制：让 3D 人体表示（3D human representations）变得更加紧凑，目标场景是沉浸式直播（immersive live streaming）。它没有声称要解决“所有 3D 表示的存储危机”，但它指出了一个更普遍的方向。 当 3D 开始成为 AI 理解和生成现实世界的重要表示，“表示本身的紧凑性”会变成一个绕不过去的问题。 01 高斯的代价：越真实，就越重 要理解 PointSplat 在做什么，必须先理解 3DGS 在做什么。 3DGS 的基本想法是把一个 3D 场景拆成大量“高斯椭球”。每一个高斯都记录着自己的位置、尺度、旋转方向、透明度，以及外观信息。成千上