3D 视觉与神经渲染的本质：先把方向翻译成任务闭环
3D 视觉与神经渲染不是只背一个热门名词，而是要看它处理什么数据、解决什么任务、用什么指标证明有效。
学生入门时最重要的是先跑通最小闭环：明确输入输出，复现一个 baseline，再围绕数据、模型、评价或项目化展示做改进。
- 输入通常来自计算机视觉 / 三维重建 / AIGC相关数据或公开 benchmark。
- 输出必须能被指标评估，不能只停留在概念介绍。
- 项目价值来自可复现结果、可视化分析和清楚的误差讨论。
方向导读
方向理解：先知道它到底在做什么
研究从图片、视频或点云恢复三维结构，并生成可交互的 3D 场景。
中文链路图：把方向拆成输入、模型、任务和成果
任务地图
任务地图：别只背方向名，要看输入输出
一个方向能不能做成项目，关键看它能不能落到明确任务、评价指标和实验数据。
任务地图：适合小白先判断项目切入点
01
点云分类
直接理解无序三维点集合。
输入三维点坐标和属性
输出类别或部件标签
科研价值：适合从 PointNet 入门。
02
三维重建
从二维图片恢复三维场景。
输入多视角图像、相机参数
输出几何模型或神经场
科研价值：适合做视觉展示。
03
新视角合成
从没拍过的角度渲染场景。
输入相机视角、场景表示
输出目标视角图像
科研价值：NeRF/3DGS 核心任务。
04
实时渲染
兼顾质量、速度和存储。
输入三维表示和相机轨迹
输出高帧率画面
科研价值：贴近 3DGS 前沿。
05
三维语义理解
让系统理解空间语义。
输入点云/网格/图像
输出物体、区域和关系
科研价值：连接机器人和 AR。
06
几何评测
评价三维结果是否真实可靠。
输入重建结果、真值或多视角图
输出误差和一致性指标
科研价值：项目必须有量化依据。
技术路线
技术路线：从经典方法到现在的热点
技术路线不是模型名清单，而是看这个方向的问题意识如何一步步变化。
技术路线图：帮助学生看懂方法演进
点云深度学习
直接处理无序点集合，学习形状特征。
神经辐射场
用体渲染和神经网络表示连续场景。
快速神经图形
用哈希网格加速训练和渲染。
高斯场景表示
用可学习高斯椭球实现高质量实时渲染。
论文清单
经典论文阅读清单
这不是让你背论文名，而是按时间线建立路线感：先看每篇论文解决了什么问题，再看图里哪一块最关键，最后知道它适合放进什么项目里。
PointNet
PointNet
为什么重要：PointNet 是这个方向的代表工作，适合用来理解具体任务、核心方法和实验指标。
新手读法：重点看它的输入输出、核心模块、评价指标和失败案例，而不是只背论文标题。
打开论文 / 来源NeRF
NeRF
为什么重要：NeRF 是这个方向的代表工作，适合用来理解具体任务、核心方法和实验指标。
新手读法：重点看它的输入输出、核心模块、评价指标和失败案例，而不是只背论文标题。
打开论文 / 来源Instant-NGP
Instant-NGP
为什么重要：Instant-NGP 是这个方向的代表工作，适合用来理解具体任务、核心方法和实验指标。
新手读法：重点看它的输入输出、核心模块、评价指标和失败案例，而不是只背论文标题。
打开论文 / 来源3D Gaussian Splatting
3D Gaussian Splatting
为什么重要：3D Gaussian Splatting 是这个方向的代表工作，适合用来理解具体任务、核心方法和实验指标。
新手读法：重点看它的输入输出、核心模块、评价指标和失败案例，而不是只背论文标题。
打开论文 / 来源评价指标
评价指标：怎么证明项目真的有效
不同任务不能只看 Accuracy。论文和项目都要说明指标为什么适合当前问题。
Chamfer Distance
点云重建和三维生成常用距离。
PSNR / SSIM / LPIPS
NeRF 和神经渲染图像质量指标。
3D IoU
三维检测和场景理解常用。
Rendering FPS
实时渲染或交互系统速度。
Pose / Depth Error
多视角重建中的相机位姿和深度误差。
Geometry Consistency
跨视角三维结构是否一致。
数据工具
数据集和工具：先看有没有公开入口
小白选题时先确认数据、代码和 benchmark 是否可获得，否则方向再热也很难落地。
导师翻译
导师主页方向翻译：这些词到底暗示什么
学生看老师主页最难的是不知道关键词背后对应什么任务和能力要求。
PointNet
通常对应 PointNet 相关任务、数据集、指标和实现路线。
NeRF
通常对应 NeRF 相关任务、数据集、指标和实现路线。
Instant-NGP
通常对应 Instant-NGP 相关任务、数据集、指标和实现路线。
3D Gaussian Splatting
通常对应 3D Gaussian Splatting 相关任务、数据集、指标和实现路线。
入门路径
入门路径：从小项目走到研究点
真正适合学生的路线，是先跑通最小闭环，再逐步加难度。
第 1 阶段：选 3D 数据类型
明确输入是点云、多视角图像还是 RGB-D。
第 2 阶段：跑重建 baseline
复现 PointNet、NeRF 或 3DGS 小实验。
第 3 阶段：做可视化对比
用渲染视角、点云误差和三维结果展示质量。
第 4 阶段：接应用场景
扩展到文物、室内场景、自动驾驶或 AR。
项目选题
项目选题：能写进简历和申请材料
下面这些题目不是空泛口号，而是可以沉淀代码、实验结果、图表和论文雏形的方向。
NeRF 小场景重建
用多视角图片训练并渲染新视角。
点云分类与可视化
用 PointNet 处理 ModelNet 或室内点云。
3DGS 场景展示
比较训练速度、渲染质量和文件大小。
多视角深度估计
输出深度图并分析遮挡和纹理失败。
常见问题
常见问题：小白最容易卡住的判断
这部分覆盖搜索和咨询时最高频的问题。
三维视觉入门难点是什么？
相机位姿、坐标系、渲染和可视化比普通图像任务更复杂。
项目怎么展示效果？
用新视角视频、点云可视化、重建误差和渲染速度。
适合什么设备？
普通显卡也能做小场景 NeRF/3DGS 或点云分类。
继续探索适合你的科研方向
这个方向只是计算机科研路线中的一个入口。你也可以继续查看多模态学习、世界模型、推荐系统、可信 AI 等方向，再结合自己的专业基础、目标导师和时间周期选择更合适的切入点。