Die Herausforderungen bei Gaussian Splatting beginnen nicht erst bei der Rekonstruktion. Sie beginnen bereits bei der Kamera, der Aufnahmeplanung, der Coverage und der Frage, wie frei sich der Nutzer später durch die Szene bewegen darf. Genau dort trennt sich ein schneller Demo-Scan von einem professionell produzierten 3DGS-Projekt.
Gaussian Splatting ist heute erstaunlich leicht zugänglich. Mit Smartphone, DSLR, 360°-Kamera, Drohne oder spezialisierten 3D-Scannern lassen sich reale Orte in fotorealistische 3D-Szenen verwandeln. Einen Splat zu erzeugen ist inzwischen relativ einfach. Einen wirklich guten Splat zu erzeugen, ist etwas anderes.
In unseren Projekten begegnen uns immer wieder dieselben Probleme: Unschärfe, Floaters, bewegte Menschen, fehlende Oberseiten, unvollständige Coverage, riesige Datenmengen und die Frage, wie der fertige Scan überhaupt performant im Web oder in XR ausgeliefert werden kann.
Dieser Artikel fasst die wichtigsten Probleme zusammen und zeigt, welche Gegenmaßnahmen sich in der Praxis bewährt haben.
Die zentralen Herausforderungen bei Gaussian Splatting
1. Gaussian Splats wirken schnell etwas unscharf
Eine der häufigsten Schwächen von Gaussian Splatting ist eine gewisse Weichheit im Bild. Aus einigen Metern Entfernung kann ein Scan extrem fotorealistisch wirken. Bewegt man sich sehr nah an Oberflächen heran, werden Schrift, feine Materialstrukturen oder kleine Kanten jedoch schnell weicher.
Das liegt nicht ausschließlich am 3DGS-Verfahren. Die erreichbare Qualität beginnt bereits beim Capture. Was die Kamera nicht scharf aufgenommen hat, kann die Rekonstruktion später nicht einfach wieder erfinden.
Entscheidend sind unter anderem Objektivqualität, Sensorauflösung, Fokus, Bewegungsunschärfe, Bildrauschen, Aufnahmeabstand, Überlappung und die Anzahl brauchbarer Blickwinkel.
Gerade bei mobilen 3D-Scannern entsteht hier ein konstruktiver Kompromiss. Ein Scanner kombiniert Kameras, LiDAR, Prozessoren, Speicher und Stromversorgung in einem mobilen Gerät. Die integrierten Kameras erreichen deshalb nicht automatisch die Bildqualität einer hochwertigen System- oder DSLR-Kamera.
HD Enhancement als Qualitätshebel
Bei XGRIDS lässt sich dieses Problem unter anderem über HD Enhancement in Lixel CyberColor Studio adressieren. Dabei werden zusätzliche hochauflösende Bilder einer externen Kamera in die Rekonstruktion einbezogen.
Das können Aufnahmen einer DSLR, einer Systemkamera oder eines modernen Smartphones sein. Für Projekte, bei denen visuelle Qualität wichtiger ist als reine Capture-Geschwindigkeit, ist dieser Hybrid-Workflow besonders interessant: Der Scanner liefert räumliche Stabilität und Coverage, die zusätzliche Kamera liefert feinere Bilddetails.
2. Große Szenen erzeugen sehr schnell sehr große Datenmengen
Ein Badezimmer und ein kilometerweites Außengelände sind zwei vollkommen unterschiedliche Gaussian-Splatting-Projekte.
Je größer die erfasste Fläche wird, desto mehr räumliche und visuelle Informationen müssen gespeichert werden. Gleichzeitig weiß man bei frei begehbaren Szenen nicht unbedingt, wie nah ein Nutzer später an ein bestimmtes Objekt herangehen wird.
Ein Baum, der aus 50 Metern Entfernung hervorragend aussieht, benötigt relativ wenig sichtbares Detail. Wenn der Nutzer aber bis auf wenige Zentimeter an die Rinde herangehen kann, verändert sich die Anforderung vollständig.
Damit entsteht ein grundsätzliches Dilemma: Je größer die Bewegungsfreiheit des Publikums, desto mehr Detail müsste theoretisch überall vorgehalten werden.
Bei großen Environments ist das nicht beliebig skalierbar. Man muss deshalb mit Level of Detail, Streaming, räumlicher Priorisierung und teilweise bewussten Qualitätsabstufungen arbeiten.
3. Floaters: Wenn plötzlich etwas in der Luft schwebt
Zu den typischsten 3DGS-Artefakten gehören sogenannte Floaters. Dabei erscheinen Gaussians an Positionen, an denen in der realen Welt überhaupt kein Objekt vorhanden war.
Das können verschwommene Schleier, kleine Flächen oder frei schwebende Strukturen sein. Ursachen sind beispielsweise Reflexionen, Lens Flares, Bewegungsunschärfe, transparente Materialien, repetitive Strukturen oder schlicht falsche räumliche Zuordnungen.
Bei rein bildbasierten Workflows muss die räumliche Struktur vollständig aus den Bildern rekonstruiert werden. Ein LiDAR-basierter Scanner besitzt dagegen zusätzlich eine geometrische Referenz als Punktwolke. Das verhindert Artefakte nicht vollständig, kann die Rekonstruktion aber deutlich stabilisieren.
Wer tiefer in die Unterschiede zwischen visueller Rekonstruktion und geometrischer Referenz einsteigen möchte, findet dazu unseren Vergleich Gaussian Splatting vs. Fotogrammetrie.
4. Menschen, Fahrzeuge und andere Veränderungen erzeugen Ghosting
Klassisches 3D Gaussian Splatting geht im Idealfall von einer weitgehend statischen Szene aus. Bewegte Menschen, Autos, Fahrräder oder Tiere widersprechen dieser Annahme.
Läuft während des Captures eine Person durch die Szene, befindet sie sich auf verschiedenen Bildern an unterschiedlichen Positionen. Die Rekonstruktion versucht anschließend, diese widersprüchlichen Informationen miteinander zu vereinbaren.
Das Resultat können Ghosts, halbtransparente Personen, Doppelkonturen, Schattenformen oder unscharfe Bereiche sein.
Das Problem muss noch nicht einmal schnell entstehen. Ein Sonnenschirm kann beim ersten Durchgang geöffnet sein und zehn Minuten später geschlossen. Werden beide Zustände im selben Datensatz erfasst, kann ein unschöner Hybrid aus beiden entstehen.
XGRIDS weist in den eigenen Capture-Hinweisen ebenfalls darauf hin, dass langsam bewegte oder stehende Personen fehlerhaft rekonstruiert werden können. Für saubere Ergebnisse sollte sich eine Szene während des Captures deshalb möglichst wenig verändern.
5. 360°-Capture hat ein zusätzliches Problem: Der Operator ist im Bild
360°-Kameras haben einen enormen Vorteil: Sie erfassen fast alle Richtungen gleichzeitig. Genau darin liegt aber gleichzeitig ein Nachteil.
Bei einer echten 360°-Aufnahme existiert praktisch kein „hinter der Kamera“. Der Operator befindet sich daher fast zwangsläufig im Bild.
Das Gleiche gilt für Stativ, Extension Pole und teilweise weitere Teile des Capture-Setups. Bei einem eigenen 360°-Workflow müssen diese Bereiche vor dem Training maskiert oder aus dem Bild entfernt werden.
Im XGRIDS-Workflow werden für die Rekonstruktion Masken erzeugt, die unter anderem Personen und Capture-Geräte als ungeeignete Bildbereiche markieren. Die aktuelle LCC-Studio-Dokumentation weist diese Masken sogar im Creator-Data-Export separat aus.
Dieser Schritt ist heute nicht auf den XGRIDS-Workflow beschränkt. Für 360°-Videomaterial bereitet zum Beispiel das 360 Video – Stills Prep Tool die Bilder vor und kann den Operator sowie ausgewählte Objekte mit KI maskieren. Laut Anbieter kombiniert es SAM2 mit RT-DETR und erkennt mehr als 30 Objektklassen. Eine weitere Möglichkeit ist 360 Gaussian Pro: Die Software bietet SAM3-Keyword-Masken, etwa für Personen und Fahrzeuge, sowie einen Pinsel für Bereiche, die automatisch nicht erkannt werden. Die Masken sorgen dafür, dass diese Bildbereiche beim Alignment beziehungsweise Training ausgeschlossen werden; sie rekonstruieren den verdeckten Hintergrund nicht automatisch. Deshalb sollten die Masken vor dem Training geprüft und bei Bedarf von Hand korrigiert werden.
6. Spiegel, Wasser, Glas und monotone Flächen brauchen mehr Planung
Reflektierende Flächen sind für visuelle Rekonstruktion besonders anspruchsvoll: Ihr sichtbares Muster verändert sich mit Blickwinkel und Licht. Spiegel, Glas, Wasser und glänzende Metalle liefern deshalb keine stabilen Bildmerkmale wie eine matte, strukturierte Oberfläche. Sie sind aber nicht automatisch unbrauchbar. Entscheidend ist, sie gezielt und mit deutlich dichterer Winkelabdeckung aufzunehmen.
Spiegel: Erfassen Sie den Spiegel aus vielen unterschiedlichen Positionen und Winkeln, auch leicht seitlich und aus verschiedenen Höhen. So erhält der Rekonstruktionsprozess mehr überlappende Ansichten statt einer einzelnen frontalen Spiegelaufnahme. Achten Sie dabei darauf, dass Sie selbst nicht in den Spiegel geraten: Halten Sie den Scanner mit einem langen Extension Pole möglichst weit vor sich oder strecken Sie den Arm maximal aus. Prüfen Sie die Vorschau regelmäßig, denn Operator, Scanner und Pole können sich in der Spiegelung zeigen.
Spiegelndes oder ruhiges Wasser: Nehmen Sie die Ufer- und Wasserbereiche aus mehreren überlappenden Positionen auf, mit ausreichend vielen Blickwinkeln und gleichmäßiger Bewegung. Bei Wasser verändern Wellen, Wind und wechselnde Spiegelungen das Erscheinungsbild zwischen den Bildern; möglichst ruhige Bedingungen und ein konsistenter Lichtverlauf helfen. Wenn die Wasseroberfläche selbst für die spätere freie Kamerabewegung wichtig ist, planen Sie zusätzliche Aufnahmen aus flacheren und steileren Winkeln ein. Eine perfekte, physikalisch stabile Spiegelung kann ein statischer Splat trotzdem nicht für jede beliebige Ansicht garantieren.
Monochrome oder sehr helle matte Flächen: Eine große weiße Wand bietet dem Alignment kaum wiedererkennbare Merkmale. Erfassen Sie sie mit viel Überlappung und möglichst gleichmäßiger Beleuchtung. Temporäre, kontrastreiche Referenzmarker oder strukturierte Objekte in der Nähe können beim Ausrichten helfen; wenn sie nicht im Ergebnis sichtbar bleiben sollen, müssen sie anschließend mit Masken oder in der Nachbearbeitung entfernt werden. LiDAR- oder andere Geometriedaten können die Form und Position der Fläche stützen, erzeugen aber keine fehlende Oberflächenstruktur.
Ähnliche Vorsicht ist bei Glas, glänzenden Metallen, regelmäßigen Fassaden, Fliesen, Gras und feinen Gittern sinnvoll: Mehr Blickwinkel und engere, überlappende Aufnahmen reduzieren Fehlzuordnungen. Zum Spezialfall Reflexionen haben wir einen eigenen Artikel: Spiegelungen in Gaussian Splatting.
7. Gegenlicht ist vor allem bei Scannern ohne HDR problematisch
Wie stark Gegenlicht einen Scan beeinträchtigt, hängt wesentlich davon ab, ob das Capture-System HDR-Aufnahmen unterstützt. Besonders kritisch ist es bei Kameras und Scannern ohne HDR: Der Helligkeitsunterschied zwischen einem hellen Fenster und dem Innenraum kann den Dynamikumfang des Sensors übersteigen.
Richtet sich eine automatisch belichtende Kamera auf das helle Fenster, reduziert sie die Belichtung. Der Innenraum wird dunkel. Dreht sich die Kamera wieder vom Fenster weg, hebt sie die Belichtung erneut an.
So entstehen Aufnahmen derselben Wand mit sichtbar unterschiedlicher Helligkeit. Umgekehrt kann eine auf den Innenraum abgestimmte Belichtung dazu führen, dass Fenster vollständig weiß ausbrennen.
Outdoor passiert Ähnliches bei Objekten vor einem hellen Himmel. Ein Baum kann gegen den Himmel nahezu schwarz werden, obwohl er aus einer anderen Richtung korrekt aussieht.
Bei DSLR- und Systemkameras helfen manuelle Belichtung, RAW, HDR oder Belichtungsreihen, den Kontrast besser zu kontrollieren. Verfügt ein Scanner über HDR, sollte diese Funktion für solche Szenen genutzt werden. Fehlt HDR, vermeiden Sie möglichst starkes Gegenlicht, wählen Sie gleichmäßigere Lichtbedingungen und halten Sie die Belichtung während des gesamten Durchlaufs konstant, sofern das Gerät diese Einstellung zulässt.
8. Smartphone-Scanning ist beeindruckend – skaliert aber nicht beliebig
Smartphone-Apps haben den Einstieg in Gaussian Splatting extrem einfach gemacht. Mit Scaniverse oder der neuen XGRIDS-App LCC Scan lässt sich ein iPhone heute tatsächlich als 3D-Capture-Gerät einsetzen.
Für kleine Objekte, einzelne Räume, schnelle Tests und zusätzliche Detailaufnahmen ist das sehr attraktiv.
Bei großen Environments stößt der Ansatz aber schnell an praktische Grenzen. Das Problem ist dabei nicht nur die Kameraqualität. Moderne Smartphones besitzen sehr gute Kameras und Ultraweitwinkelobjektive.
Der entscheidendere Faktor ist die Capture-Effizienz pro Quadratmeter.
Bei einem Zimmer kann man systematisch um Objekte herumlaufen und für genügend Überlappung sorgen. Bei einem großen Park, einem längeren Straßenzug oder einem kilometerweiten Gelände wird derselbe Ansatz schnell unpraktisch.
Niantic begrenzt einen einzelnen Site-Scan in Scaniverse aktuell auf bis zu fünf Minuten beziehungsweise 500 Quadratmeter. Größere Sites werden aus mehreren überlappenden Scans aufgebaut. Das zeigt sehr gut, dass Large-Scale-Capture einen anderen Workflow benötigt als ein einzelner Smartphone-Scan.
Das Smartphone bleibt trotzdem wertvoll: besonders als ergänzende Kamera für Detailbereiche oder als zusätzliche Bildquelle für HD Enhancement.
9. Das richtige Capture-System hängt vom Projekt ab
Die Frage „Welche Kamera ist die beste für Gaussian Splatting?“ lässt sich nicht allgemein beantworten.
| Capture-System | Stärken | Typische Grenzen |
|---|---|---|
| Smartphone | sehr verfügbar, schnell, gute Kameras | Large-Scale-Capture aufwendig, Coverage muss stark selbst kontrolliert werden |
| DSLR / Systemkamera | höchste Bildqualität, volle Kontrolle über Optik und Belichtung | langsamer Capture, räumliche Abdeckung muss geplant werden |
| 360°-Kamera | sehr hohe Abdeckung pro Aufnahme | geringere Pixeldichte pro Blickrichtung, Operator im Bild |
| LiDAR-Scanner | geometrische Referenz, Coverage-Feedback, effizient bei großen Räumen | teurer, integrierte Kameras nicht immer auf DSLR-Niveau |
| Drohne | Dächer, Oberseiten und große Außenflächen | kein Ersatz für Ground Capture, Flugplanung und Alignment erforderlich |
Die XGRIDS PortalCam ist beispielsweise stark auf visuelle 3DGS-Produktion ausgerichtet. Sie kombiniert vier Kameras mit LiDAR. Laut XGRIDS besitzen die beiden Fisheye-Kameras jeweils 200° × 200° Sichtfeld, der LiDAR 180° × 180°.
Die Lixel K2 und die neuere Lixel L3 verfolgen einen anderen Schwerpunkt und kombinieren visuelle Rekonstruktion stärker mit Vermessungs- und Geometriedaten.
10. Coverage ist wichtiger als „Ich war doch schon dort“
Eine der häufigsten Fehleinschätzungen beim Scannen lautet: „Diesen Bereich habe ich doch schon aufgenommen.“
Entscheidend ist aber nicht nur, ob eine Fläche irgendwann im Bild war. Sie muss aus geeigneten Perspektiven und mit ausreichender Überlappung aufgenommen worden sein.
Problematisch sind insbesondere Nischen, Raumecken, Unterseiten, Oberseiten, Bereiche hinter Möbeln, Übergänge zwischen Räumen und Flächen, die nur unter sehr flachen Winkeln sichtbar sind.
Bei professionellen Scansystemen hilft die Software dabei, bereits erfasste Bereiche und die Punktwolkendichte zu beurteilen. Beim Fotografieren, Filmen oder Smartphone-Scanning muss der Operator die Coverage wesentlich stärker selbst planen.
Für große oder komplexe Szenen empfiehlt XGRIDS außerdem Schleifen im Scanpfad und mehrfache Blickrichtungen, damit sich Teilbereiche robust miteinander verbinden lassen.
11. Das Dachproblem: Vom Boden sieht man eben nicht alles
Coverage hat noch eine zweite Dimension: die Höhe.
Wer ausschließlich vom Boden scannt, nimmt die Umgebung überwiegend aus menschlicher Augenhöhe auf. Das funktioniert gut – bis der spätere Nutzer mit seiner virtuellen Kamera nach oben steigt.
Ein klassisches Beispiel ist ein Auto. Von Augenhöhe werden Türen, Fenster und Motorhaube gut erfasst. Das Autodach sieht der Scanner dagegen nur unter einem sehr flachen Winkel oder gar nicht vollständig.
In der normalen Laufperspektive fällt das kaum auf. Sobald sich die virtuelle Kamera über das Auto bewegt, kann das Dach plötzlich unscharf, löchrig oder stark artefaktbehaftet aussehen.
Dasselbe gilt für aufgespannte Sonnenschirme, Mauerkronen, Container, Maschinen und andere Objekte, deren Oberseite vom Boden verdeckt ist.
Warum sich ein Extension Pole lohnt
Für solche Situationen ist ein Extension Pole eines der sinnvollsten Zubehörteile überhaupt. Die PortalCam wird beispielsweise mit einer optionalen 2-Meter-Verlängerungsstange angeboten.
Damit lässt sich der Scanner über Autos, Hecken, Maschinen oder andere Hindernisse heben. Die Oberseiten werden aus deutlich besseren Winkeln erfasst und stehen der späteren freien Kamera tatsächlich zur Verfügung.
Das sieht zunächst banal aus – im Prinzip wie ein sehr stabiler Selfie-Stick. In der Praxis kann die zusätzliche Höhe aber darüber entscheiden, ob eine Szene auch aus ungewöhnlichen Perspektiven überzeugend bleibt.
12. Bei Gebäudedächern hilft irgendwann nur noch eine Drohne
Ein zwei Meter langer Pole hilft beim Autodach. Bei einem mehrstöckigen Gebäude reicht er verständlicherweise nicht mehr.
Für große Außenbereiche ist deshalb die Kombination aus Ground Capture und Drone Capture besonders sinnvoll.
Der Bodenscanner liefert Fassaden, Eingänge, Wege, Unterführungen und Bereiche unter Bäumen oder Vordächern. Die Drohne liefert Dächer, Oberseiten, Innenhöfe und den räumlichen Gesamtzusammenhang.
XGRIDS bietet dafür in LCC Studio den Workflow Aerial-Ground Fusion. Dabei werden Bodendaten kompatibler L-, K- und PortalCam-Geräte mit Drohnenfotos gemeinsam verarbeitet. Die aktuelle XGRIDS-Dokumentation unterstützt bis zu zehn Bodendatensegmente und bis zu 10.000 Drohnenbilder im Desktop-Workflow.
Wichtig ist: Dieser automatisierte Workflow ist an XGRIDS-Bodendaten gebunden. Er ist kein universeller „Fotomixer“, in den man beliebige Smartphone-, DSLR- oder 360°-Aufnahmen als Ground-Datensatz werfen kann.
13. Eigene Ground-/Drone-Workflows brauchen echtes Alignment-Know-how
Natürlich kann man Boden- und Drohnenmaterial auch außerhalb des XGRIDS-Ökosystems zusammenführen.
Beispielsweise kann man am Boden mit einer 360°-Kamera oder DSLR arbeiten und dasselbe Gelände zusätzlich mit einer Drohne erfassen. Die Herausforderung ist anschließend das Alignment: Beide Bildgruppen müssen zuverlässig im selben räumlichen Zusammenhang liegen.
Hier kommen Werkzeuge wie RealityScan 2 oder Agisoft Metashape ins Spiel. Sie erlauben deutlich tiefere Eingriffe in Feature Matching, Camera Poses, Kontrollpunkte und problematische Kameras als ein reiner One-Click-Workflow.
Postshot kann Camera Poses selbst berechnen und eignet sich hervorragend für viele normale Datensätze. Bei schwierigem Material kann es aber sinnvoll sein, das Alignment vorher extern zu lösen. Jawset dokumentiert ausdrücklich den Import von Camera Poses und Sparse Point Clouds aus RealityScan in Postshot.
Ein typischer professioneller Workflow kann deshalb so aussehen:
Ground- und Drohnenbilder → RealityScan / Metashape → Alignment und Camera Poses → Postshot → Gaussian-Splatting-Training.
Das ist mächtig, aber keine One-Click-Lösung. Wer diesen Weg gehen will, sollte die Alignment-Werkzeuge wirklich beherrschen.
Eine Übersicht über weitere Software finden Sie in unserem Artikel Gaussian Splatting Workflow: Tools für Web, Unity, Unreal & 4DGS.
14. Große Splats benötigen entsprechend große Rechner
Nach dem Capture müssen die Daten verarbeitet werden. Und auch hier wächst der Aufwand mit der Größe des Datensatzes.
Relevant sind GPU-Leistung, VRAM, Arbeitsspeicher, SSD-Geschwindigkeit, Anzahl der Bilder, Anzahl der Gaussians und die Größe der Szene.
Gerade GPU-basierte Trainings- und Rekonstruktionsverfahren können sehr viel Grafikspeicher benötigen. Eine RTX 3090 mit 24 GB VRAM ist für viele 3DGS-Workflows weiterhin eine sehr brauchbare Workstation-Karte – sie ist aber keine universelle Mindestanforderung.
Kleine Projekte funktionieren mit weniger Hardware. Sehr große Datensätze können wiederum deutlich höhere Anforderungen stellen. XGRIDS empfiehlt für aufwendige Fusion-Workflows entsprechend viel RAM und schnellen SSD-Speicher.
Die entscheidende Regel lautet: Bei einem großen Scan sollte vor dem Capture klar sein, wo und wie die Daten anschließend verarbeitet werden.
15. Der fertige Scan muss auch noch zum Benutzer gelangen
Ein wunderschöner Gaussian Splat kann mehrere Gigabyte groß sein. Damit besitzt man noch lange kein brauchbares Web-Erlebnis.
Das klassische PLY-Format eignet sich weiterhin sehr gut als Arbeits-, Austausch- und Archivformat. Für die Verteilung über das Web ist es bei großen Szenen häufig zu schwer.
PlayCanvas hat mit SOG – Spatially Ordered Gaussians ein auf Runtime und Web-Delivery optimiertes Format etabliert. Laut PlayCanvas ist SOG typischerweise etwa 15- bis 20-mal kleiner als ein vergleichbares PLY.
Für sehr große Szenen geht Streamed SOG noch weiter. Die Szene wird räumlich in Chunks und mehrere Detailstufen zerlegt. Der Viewer lädt nur die Teile und Detaillevel, die für die aktuelle Kameraposition tatsächlich benötigt werden.
Das Prinzip erinnert an Google Earth: In der Nähe wird mehr Detail geladen, in der Distanz weniger.
Gerade für Webprojekte ist das ein entscheidender Fortschritt. Mehr dazu finden Sie in unserem Beitrag Gaussian Splatting Website erstellen: 3DGS im Browser integrieren.
Die wichtigste Regel: Für die spätere Kamerafreiheit scannen
Aus fast allen genannten Problemen ergibt sich ein gemeinsamer Grundsatz:
Gaussian Splatting rekonstruiert keine Informationen, die nie aufgenommen wurden.
Das klingt banal, wird während des Captures aber erstaunlich leicht vergessen.
Der Operator bewegt sich am Boden und denkt: „Ich habe alles gesehen.“ Der spätere Benutzer darf vielleicht fliegen, über ein Auto schauen, auf einen Sonnenschirm hinabblicken oder auf ein Gebäudedach zufliegen.
Damit besitzt die virtuelle Kamera plötzlich Freiheiten, die die reale Kamera während des Captures nie hatte.
Genau deshalb sollte die Aufnahmeplanung immer von der späteren Anwendung ausgehen:
- Wo darf sich der Nutzer bewegen?
- Wie nah darf er an Objekte herangehen?
- Darf er seine Augenhöhe verlassen?
- Sind Dächer und Oberseiten sichtbar?
- Wird die Szene im Browser, auf einem Desktop-PC oder in XR ausgeliefert?
- Welche Dateigröße und Streaming-Bandbreite sind realistisch?
Erst aus diesen Fragen ergibt sich die richtige Kombination aus Scanner, Smartphone, Kamera, 360°-Capture, Extension Pole, Drohne und Processing-Workflow.
Fazit: Gute Gaussian Splats entstehen vor dem Reconstruct-Button
Viele vermeintliche „Gaussian-Splatting-Probleme“ sind keine Schwächen des Renderverfahrens selbst.
Sie entstehen früher: bei der Kamera, der Belichtung, dem Aufnahmeweg, einer fehlenden Dachfläche, einer Person im Bild, einem schlecht geplanten Alignment oder einer zu großen Datenmenge für das spätere Zielgerät.
Unsere Erfahrung ist deshalb: Die Qualität des gesamten Workflows ist wichtiger als das eigentliche Drücken des Reconstruct-Buttons.
Wer bereits vor der Aufnahme weiß, auf welchem Gerät, in welcher Qualität und mit welcher Bewegungsfreiheit die Szene später gezeigt werden soll, kann Capture-Methode, Coverage, Detailtiefe und Datenmenge viel besser aufeinander abstimmen.
Und genau dadurch wird aus einem interessanten Scan ein wirklich nutzbares Medium.
FAQ: Herausforderungen bei Gaussian Splatting
Warum sieht mein Gaussian Splat unscharf aus?
Die Ursache liegt häufig bereits im Ausgangsmaterial. Unscharfe Bilder, Bewegungsunschärfe, große Aufnahmeabstände oder zu wenige Perspektiven reduzieren die erreichbare Detailqualität. Zusätzlich können Rekonstruktionsparameter, Kompression und Level-of-Detail-Systeme die wahrgenommene Schärfe beeinflussen.
Was sind Floaters bei Gaussian Splatting?
Floaters sind Gaussians, die an räumlich falschen Positionen erscheinen und beispielsweise als schwebende Schleier oder verschwommene Strukturen sichtbar werden. Sie können durch Reflexionen, Lens Flares, fehlende Perspektiven oder falsche Bildzuordnungen entstehen.
Verhindert LiDAR Floaters vollständig?
Nein. LiDAR liefert jedoch eine zusätzliche geometrische Tiefenreferenz und kann dadurch räumliche Fehlinterpretationen reduzieren. Auch LiDAR-basierte Workflows können weiterhin Artefakte enthalten.
Kann man Gaussian Splatting nur mit einem Smartphone erstellen?
Nein. Smartphones sind nur eine mögliche Capture-Methode. Je nach Projekt können DSLR, Systemkamera, 360°-Kamera, Drohne oder spezialisierte LiDAR-Scanner sinnvoller sein. Für große Umgebungen sind professionelle oder hybride Capture-Workflows meist effizienter.
Warum benötigt man beim Scannen manchmal einen Extension Pole?
Oberseiten von Autos, Sonnenschirmen, Mauern oder Maschinen sind aus normaler Augenhöhe oft verdeckt. Ein Extension Pole bringt den Scanner über diese Hindernisse und verbessert dadurch die vertikale Coverage.
Wie erfasst man Gebäudedächer für Gaussian Splatting?
Bei höheren Gebäuden reicht Ground Capture normalerweise nicht aus. Eine Drohne kann die fehlenden Perspektiven von oben liefern. XGRIDS Aerial-Ground Fusion kombiniert kompatible Bodenscans mit Drohnenfotos in einem gemeinsamen Workflow.
Warum sind Menschen und Autos beim Scannen problematisch?
Statisches Gaussian Splatting geht davon aus, dass sich die Szene während des Captures möglichst wenig verändert. Bewegte Objekte können deshalb Ghosting, Doppelbilder oder verschwommene Bereiche erzeugen.
Muss der Operator bei einer 360°-Kamera entfernt werden?
Bei 360°-Aufnahmen müssen Operator, Stativ oder Pole häufig maskiert werden, damit sie nicht ins Ergebnis eingehen. Das 360 Video – Stills Prep Tool bietet KI-Masken für den Operator und ausgewählte Objektklassen. 360 Gaussian Pro bietet SAM3-Masken und manuelle Korrektur. Die Masken schließen Bildbereiche von Alignment oder Training aus; sie füllen verdeckte Hintergründe nicht automatisch auf.
Was ist SOG?
SOG steht für Spatially Ordered Gaussians. Das von PlayCanvas entwickelte Format ist für Runtime und Web-Delivery optimiert und typischerweise etwa 15- bis 20-mal kleiner als ein vergleichbares PLY.
Wie bringt man sehr große Gaussian Splats ins Web?
Bei großen Szenen sollte nicht der gesamte Scan auf einmal geladen werden. Streamed SOG teilt eine Szene räumlich in Chunks und Detailstufen auf und lädt abhängig von der Kameraposition nur die aktuell benötigten Daten.
