3D Gaussian Splatting（3DGS）凭借高斯椭球的显式表示和实时渲染能力，已经成为神经渲染领域的主流方案之一。不过它有一个先天短板：高斯是体积元而非表面元，本身并不携带法线信息。当你想基于3DGS做网格提取、表面对齐、几何质量评估时，法线就成了绕不开的问题。本文介绍几种从3DGS中提取法线的实用方法，重点讲解通过计算渲染来获得法线的思路与实现。
为什么高斯没有天然法线
3DGS用一组带协方差的三维高斯来表示场景，每个高斯由中心位置、尺度向量和旋转四元数定义。从数学上看，一个各向异性的高斯在空间中是一个椭球状的密度分布，它描述的是体积概率密度，而不是一个有明确朝向的表面。渲染时通过alpha blending把所有高斯沿视线方向混合，最终像素的颜色是多个高斯加权和的结果，并不存在一个传统意义上的三角形面片或SDF零等值面，因此没有可以直接读取的法线属性。
最直观的想法是用每个高斯的最短轴方向当作法线。因为高斯在尺度最小的方向上最薄，可以近似认为该方向垂直于它所表示的局部表面。这个方向可以通过对协方差矩阵做特征值分解得到：最小特征值对应的特征向量就是候选法线。但在真实场景中，一个像素的颜色往往由几十个高斯混合而成，简单取最近高斯的短轴会产生严重的噪声和不连续，法线图上会出现明显的斑点状伪影。因此实践中更常用的做法是不依赖单个高斯，而是从渲染结果中重新计算法线，也就是所谓的计算渲染法线（computed rendered normals）。
基于渲染深度图求导的法线计算
这类方法的核心思想是：先渲染一张视角下的深度图，再把深度看作图像平面上的函数，对其求空间导数即可重建表面朝向。深度图本身可以是所有高斯深度的加权混合结果，与颜色渲染共用同一套alpha blending权重，这保证了法线与渲染视图的严格一致性，也是它相对直接读取高斯短轴最大的优势。
屏幕空间求导法的公式很简洁。设像素坐标为(u,v)，混合深度为D(u,v)，相机内参为f_x、f_y，则在相机坐标系下，表面点的偏导为：
import torch
def depth_to_normal(depth, fx, fy):
# depth: [H, W] 混合深度图（相机坐标系下）
# 返回法线图 [H, W, 3]
dD_dv, dD_du = torch.gradient(depth) # 深度对像素坐标求导
dz_dx = dD_du * fx / depth
dz_dy = dD_dv * fy / depth
# 表面在相机系下的切向量
tx = torch.stack([torch.ones_like(depth), torch.zeros_like(depth), dz_dx], dim=-1)
ty = torch.stack([torch.zeros_like(depth), torch.ones_like(depth), dz_dy], dim=-1)
normal = torch.cross(tx, ty, dim=-1)
normal = normal / (torch.norm(normal, dim=-1, keepdim=True) + 1e-8)
# 统一朝向相机
facing = (normal[..., 2] < 0).float().unsqueeze(-1) * 2 - 1
return normal * facing
这个方法的缺点是对深度噪声极其敏感。因为求导本质上是高通滤波，深度图上哪怕一个像素的微小扰动都会被放大成法线的剧烈跳变。缓解办法有两个：一是在渲染深度时就启用低不透明度过滤，剔除权重很小的高斯，让深度混合更干净；二是在求导前对深度图做一次小半径的联合双边滤波，在保边的同时平滑噪声。另外要注意，在物体边缘和深度不连续处，屏幕空间求导会跨越前后两个表面，产生一条错误法线带，这部分区域需要在后续使用时用深度不连续检测掩掉。
最小二乘平面拟合法
为了进一步抑制噪声，可以把屏幕空间一阶求导升级为局部平面拟合。做法是以目标像素为中心取一个K×K的邻域窗口，把窗口内的深度反投影回相机坐标系得到一组三维点，然后拟合一个平面，平面法线就作为该像素的法线。由于窗口内点数多于三个，问题变成超定方程，用最小二乘求解，等价于对局部点云做PCA取最小特征向量。
import torch
def fit_local_normals(depth, K=7, fx=500.0, fy=500.0, cx=None, cy=None):
H, W = depth.shape
if cx is None:
cx, cy = W / 2, H / 2
# 生成像素网格并反投影到相机系
v, u = torch.meshgrid(torch.arange(H), torch.arange(W), indexing='ij')
x = (u - cx) * depth / fx
y = (v - cy) * depth / fy
pts = torch.stack([x, y, depth], dim=-1) # [H, W, 3]
pad = K // 2
# 用unfold提取局部窗口 [H, W, K*K, 3]
win = pts.unfold(0, K, 1).unfold(1, K, 1).reshape(H - pad * 2, W - pad * 2, 3, -1)
win = win.permute(0, 1, 3, 2) # [H', W', N, 3]
center = win.mean(dim=2, keepdim=True)
diff = win - center
cov = torch.matmul(diff.transpose(-1, -2), diff) # 局部协方差
eigvals, eigvecs = torch.linalg.eigh(cov)
normal = eigvecs[..., :, 0] # 最小特征值对应的特征向量
normal = normal / (torch.norm(normal, dim=-1, keepdim=True) + 1e-8)
facing = torch.where(normal[..., 2:3] < 0, -normal, normal)
return facing
拟合窗口的大小是一个关键的超参数。窗口太小，噪声抑制不足，效果退化成一阶求导；窗口太大，则会跨越曲率变化区域和深度边缘，把拐角磨圆，损失几何细节。经验上K取5到9比较合适，也可以采用先小窗口后大窗口的两级拟合，取两者结果差异小的区域作为可信掩码。相比屏幕空间求导，平面拟合对随机噪声的鲁棒性明显更好，代价是计算量上升，不过在GPU上批量做eigh分解，一张1080P法线图的耗时通常也在可接受范围内。
把法线渲染纳入训练流程
上面两种方法都是后处理性质，即训练完成后离线计算法线。更进一步的做法是把法线作为可微渲染的一部分放进训练循环：在alpha blending时，除了混合颜色，还同时混合每个高斯的短轴方向，得到一张平滑的法线渲染图，并添加法线一致性损失，约束高斯的短轴与从深度图计算出的伪法线对齐。这样训练出来的3DGS在高斯形状上更贴近真实表面，后续无论做网格提取还是重新光照，质量都有明显提升。
需要注意的是，直接混合方向向量会出现正负抵消问题，两个方向相反的法线混合可能得到接近零的向量。解决思路是对参与混合的高斯法线先做符号对齐：如果某高斯法线与当前视角下已累积的加权平均方向点积为负，就先翻转再累加。另外还可以引入先验法线监督，比如用单目法线估计网络对渲染法线图做监督，这在弱纹理区域尤其有效，因为这类区域深度往往不可靠，而法线先验能提供额外的几何约束。
从下游应用角度看，渲染法线的价值主要体现在三个场景：一是作为网格提取的辅助信息，在TSDF融合或泊松重建时用法线加权，可以显著改善平面区域的平整度；二是用于表面对齐评估，把法线图与真实扫描的法线做余弦相似度统计，得到比PSNR更反映几何质量的指标；三是光照一致性检查，法线错误的位置在重新渲染时往往出现光照异常，可以作为定位重建缺陷的线索。
方法对比与选择建议
综合来看，三种路线各有定位。直接读取高斯短轴实现最简单，一个特征值分解就完成，但噪声大，只适合快速预览或作为训练早期的粗监督信号；屏幕空间深度求导速度快、与渲染严格一致，适合需要实时法线的应用，但对深度噪声和边缘效应敏感；最小二乘平面拟合精度和稳定性最好，是离线几何分析的首选，代价是参数调节和计算开销。把法线融进训练流程则是追求最终几何质量的方案，训练时间通常会增加两到三成。
实际工程中一个常见的组合策略是：训练时用轻量的短轴混合法线加一致性损失做正则，推理和离线分析时再用平面拟合法线生成高质量的最终结果。这样既控制了训练成本，又能拿到可用于几何分析的法线数据。如果你的目标是提取网格，建议在拟合法线后再做一次基于深度不连续的区域分割，把边缘处的错误法线区域剔除，能进一步提升重建网格的边界质量。法线提取虽是3DGS管线中的一个小环节，却直接决定了几何类下游任务的上限，值得在实现时多花一些心思。