以下基于“可微分3D高斯溅射（3DGS）在医学图像三维重建中的应用”技术内容，系统化梳理研究框架：
一、研究目标
核心目标
实现高精度、低内存、实时渲染的医学体积数据三维重建，支持移动端/网页端交互式解剖学习。具体目标
将GB级医学影像（CT/MRI）压缩至MB级可渲染表示
新视角合成帧率 ≥30 FPS（桌面端）、≥10 FPS（移动端）
重建SSIM >0.95（与路径追踪参考对比）
支持静态预设下的多角度解剖结构探索（如器官、血管）
二、研究主要内容
| 方向 | 关键内容 |
|---|---|
| 数据预处理 | - 医疗影像配准与降噪（如HiP-CT数据） - 路径追踪生成高保真训练图像（2048×2048） |
| 表示学习 | - 可微分3DGS优化：位置/形状/透明度/球谐系数 - Alpha通道重建（L1+SSIM损失） |
| 模型压缩 | - 敏感度感知矢量量化（SH系数/形状参数） - 熵编码 + 8位量化（HQ/HR模式） |
| 渲染优化 | - WebGPU光栅化管线（高斯投影→分块混合） - Mip-Splatting抗锯齿（动态LOD） |
| 交互扩展 | - 基于BOS的自动相机布局（覆盖内部结构） - 离散化裁剪平面渐进编码方案 |
三、研究方法
贝叶斯优化采样（BOS）
输入：体数据边界框 + 传递函数
输出：最小相机集（覆盖所有潜在结构）
方法：代理模型（高斯过程） + 采集函数（上置信界，κ=10）
可微分3DGS优化
优化策略：自适应高斯分裂/删除 + 梯度下降
压缩流水线
四、技术路线
阶段1：数据准备
获取HiP-CT/CTA数据 → 降采样至50μm级 → 8位量化
阶段2：训练图像生成
Delta Tracking路径追踪 + 空域跳跃 → 生成2048²图像集
阶段3：3DGS重建
扩展Alpha优化 → 敏感度感知VQ压缩 → 生成HR/HQ模型
阶段4：应用部署
WebGPU渲染管线集成Mip-Splatting → 支持AR/VR解剖教学
五、拟解决的关键技术问题
基础层问题
| 问题 | 解决路径 |
|---|---|
| 半透明结构模糊 | - 引入透射率梯度约束 - 联合优化累积不透明度与散射相位函数 |
| 动态光照伪影 | - 材质属性分离式训练（解耦光照） - 神经辐射场辅助重光照 |
| 交互裁剪平面缺失 | - 空间相干性编码：相邻裁剪位共享高斯基 - 差值预测模型减少存储冗余 |
扩展层问题
| 问题 | 解决路径 |
|---|---|
| 时变数据支持（4D重建） | - 时空高斯参数化：$G(x,t)=\alpha(t)e^{-\frac{1}{2}(x-\mu(t))^T\Sigma^{-1}(t)(x-\mu(t))}$ - 光流引导形变场 |
| 超算原位可视化 | - 分布式3DGS优化：超算节点生成局部高斯 → 主节点聚合 - 异步流式传输机制 |
医学场景专项问题
| 问题 | 解决路径 |
|---|---|
| 多模态融合 | - CT/MRI/PET高斯特征对齐 - 跨模态球谐系数映射 |
| 病理结构增强 | - 传递函数敏感度加权损失 - 肿瘤/血管区域的梯度自适应高斯密度控制 |
创新点总结：
首提医学影像的路径追踪→3DGS跨范式重建流水线
突破性压缩比（1000:1） + 移动端实时渲染
解剖教育场景定制优化：Alpha通道重建、BOS视图规划、离散裁剪编码