理想汽车在3DGS领域的技术布局与路线 - 公司对世界模型的定义为“重建+生成”，核心是利用3DGS技术重建自动驾驶场景，再结合生成方法实现闭环仿真或场景生成 [1] - 公司在重建方面的具体工作包括：在ECCV2024中稿的StreetGaussian、发布3DRealCar大规模车辆资产重建数据集、开发使训练速度提升近八倍的3DGS训练加速算法Balanced3DGS、在ICCV2025中稿的Hierarchy UGP，以及开发具有时空一致性的多风格场景生成算法StyledStreets [2] 3DGS技术的行业价值与发展趋势 - 3DGS的高保真场景重建与可编辑能力，解决了自动驾驶测试中依赖实车、难以复现极端案例以及传统仿真存在较大领域差距的问题 [3] - 行业技术发展遵循一条清晰路径：从静态重建演进到动态重建，再到混合重建，最终发展至前馈GS [3] - 该技术不仅是自动驾驶领域的关键需求，也正在3D领域、具身智能及游戏行业推动落地，目前市场上掌握3DGS全栈技术的工程师非常稀缺 [3] 3DGS技术课程的核心内容架构 - 课程第一章涵盖计算机图形学基础，包括三维空间的隐式与显式表达、渲染管线、光线追踪、辐射场渲染，并介绍COLMAP、Gsplat等主流开发工具，通过基于3D Real Car数据集的实践作业帮助入门 [10] - 第二章深入讲解3DGS原理、核心伪代码，并覆盖动态重建、表面重建、鱼眼重建和光线追踪的经典与最新算法，实战部分采用英伟达开源的3DGRUT框架 [11] - 第三章聚焦自动驾驶仿真重建，重点解析Street Gaussian、OmniRe和Hierarchy UGP三篇工作，实战选用DriveStudio框架 [12] - 第四章探讨3DGS的重要研究方向，包括COLMAP扩展、深度估计及Relighting，并分析其工业应用与学术前景 [13] - 第五章讲解当前热门的Feed-Forward 3DGS，梳理其发展历程与原理，并解析AnySplat和WorldSplat两篇最新算法工作 [14] 课程面向人群与学习收获 - 课程面向具备一定计算机图形学基础、了解视觉重建/NeRF/3DGS等技术、拥有概率论与线性代数基础、熟悉Python和PyTorch的学员，学习需自备推荐算力在4090及以上的GPU [19] - 学员通过学习将掌握3DGS完善的理论知识及相关技术栈、掌握算法开发框架并能够训练开源模型，同时获得与学术界及工业界同行持续交流的机会，对实习、校招和社招均有助益 [19]