Wenn man von außen auf die beiden Technologien Gaussian Splatting und Fotogrammetrie blickt, drängt sich fast zwangsläufig die simple – oder sagen wir ruhig: ein wenig naive – Frage auf:
Was ist denn jetzt eigentlich besser?
Natürlich wissen wir alle, dass solche Fragen in der Realität selten einfach zu beantworten sind. Trotzdem ist sie berechtigt – denn warum sollte man sich überhaupt mit einer neuen Technologie auseinandersetzen, wenn sie dem Altbewährten nicht mindestens in bestimmten Punkten überlegen ist?
Genau mit dieser Fragestellung sind auch wir in unser kleines Praxiserlebnis eingestiegen.
Wir hatten die Gelegenheit, ein besonderes, etwa drei Meter großes Architekturmodell, das den nie realisierten Entwurf eines Münchner Opernhauses für Richard Wagner zeigt (aktuell im Museum Herrenchiemsee ausgestellt), zu digitalisieren.
Eine perfekte Gelegenheit, beide Verfahren – Fotogrammetrie, mit der wir bereits viel Erfahrung haben, und das für uns noch recht neue Gaussian Splatting mit dem Lixel K1 LiDAR-Scanner – einmal direkt nebeneinander zu testen und ehrlich gegeneinander zu halten.
Und ja, auch wir haben uns am Anfang gefragt:
Macht es überhaupt Sinn, diesen neuen Workflow zu testen, oder ist die Fotogrammetrie am Ende eh die sicherere Weg?
Wie so oft in solchen technologischen Vergleichen ist die Antwort:
Es kommt drauf an.
Es gibt Stärken und Schwächen auf beiden Seiten – und genau diese möchten wir in diesem Blogpost einmal detailliert und praxisnah ausbalancieren.
Unser Ziel: Keine Schwarz-Weiß-Antwort, sondern eine fundierte Entscheidungsgrundlage, wann welches Verfahren für welchen Einsatzzweck sinnvoll ist.
Aufnahmeprozess im direkten Vergleich
Fotogrammetrie – der sichere, wenn auch aufwendige Weg
Wie gewohnt, haben wir uns bei der Fotogrammetrie für den bewährten Ansatz mit über 1.000 Bildern entschieden. Die Aufnahme dauerte etwa eine Stunde. Dank unserer Erfahrung wussten wir, dass wir mit dieser Menge an Fotos ein solides Ergebnis erzielen werden.
Allerdings ist der Aufwand dabei erheblich – gerade vor Ort in einem Museum, wo die Zeit oft begrenzt ist und besondere Rücksicht auf Exponate genommen werden muss.
Trotz aller Sorgfalt zeigte sich bei der späteren Auswertung ein typisches Problem:
Vor allem in schattigen Bereichen, wie bei den hinteren Torbögen unseres Modells, traten leichte Verzerrungen und Artefakte auf. Linien, die eigentlich gerade sein sollten, wirken teilweise verzogen – fast wie in einem Dali-Gemälde. Kein Wunder, denn diese Bereiche lagen im Schatten, wo nur wenig Bildmaterial verfügbar war. Hier offenbart sich eine bekannte Schwäche der Fotogrammetrie ohne zusätzliche Lidar Scan Daten oder Punktwolken.
Photogrammetriemodel
Gaussian Splatting Model mit dem Lixel K1 Lidar Scanner
Lixel K1 – die schnelle Lösung mit Überraschungseffekt
Der Lixel K1 LiDAR-Scanner brachte eine interessante Alternative ins Spiel. Zwar ist der Scanner eigentlich für größere Räume und Objekte konzipiert, doch unser Versuch zeigte: Auch bei einem drei Meter großen Modell lieferte er erstaunlich gute Ergebnisse.
Die Aufnahme dauerte lediglich 15 Minuten, inklusive mehrfachen Umrundens und verschiedener Perspektiven von oben und unten. Besonders positiv: Wir konnten das Modell aus sicherer Entfernung erfassen, ohne das Exponat zu gefährden.
Dass der Scanner auch die Umgebung mit erfasst, war uns bewusst – die entstandenen Lücken im Raum waren für unseren Fokus auf das Modell aber kein Problem.
Warum kein Handscanner einsetzen?
Ein wichtiger Punkt:
Wir hätten zwar theoretisch einen Handscanner einsetzen können – verfügten aber selbst nicht über ein solches Gerät.
Hinzu kommt: Auch wenn das Modell frei im Raum auf einem Tisch präsentiert wurde und wir physisch Zugang zum Tisch hatten, wäre die Arbeit mit einem Handscanner sehr aufwendig und potenziell riskant gewesen.
Denn:
Handscanner müssen in der Regel aus sehr geringer Distanz (unter 20 cm) eingesetzt werden. Gerade die Dachregionen des Modells wären damit schwierig erreichbar gewesen. Um diese Bereiche korrekt zu erfassen, hätten wir uns weit über das Modell beugen oder den Scanner direkt über das empfindliche Exponat halten müssen.
Das wäre nicht nur umständlich, sondern auch gefährlich gewesen – sowohl für das Exponat als auch für die Stabilität der Aufnahme.
Zudem stellt sich bei Handscannern immer die Frage, wie stabil die Bewegungen bei solchen Positionen überhaupt noch ausgeführt werden können, ohne das Ergebnis zu verfälschen.
Für uns war daher klar: LiDAR mit Gaussian Splatting erschien als pragmatischste, sicherste und zugleich schnellste Lösung, da wir das Modell aus der Distanz und ohne Überbeugen vollständig erfassen konnten.
Wichtiger Hinweis: Gaussian Splatting ist Workflow, nicht Hardware
Ein Punkt, der oft missverstanden wird, sollte an dieser Stelle klargestellt werden:
Der Lixel K1 LiDAR-Scanner erzeugt nicht zwangsläufig proprietäre Gaussian Splatting-Daten. Vielmehr hängt das Ergebnis davon ab, welchen Verarbeitungs-Workflow und welche Software man verwendet.
Die von Lixel bereitgestellte Software bietet standardmäßig einen direkten Export in Formaten, die sich sehr einfach für Gaussian Splatting nutzen lassen – etwa für Anwendungen in Echtzeit-Engines oder für Web-basierte Visualisierungen.
Allerdings wäre es genauso möglich, die Rohdaten aus dem Lixel K1 auch für klassische Fotogrammetrie-Workflows zu verwenden. Dazu müssten die LiDAR-Daten beispielsweise als Punktwolken exportiert und mit fotogrammetrischen Verfahren kombiniert oder in Polygonmodelle überführt werden.
Das ist durchaus machbar – aber mit einem deutlich höheren Aufwand und entsprechendem Fachwissen verbunden. Spezialisierte Softwarelösungen wie Agisoft Metashape oder ähnliche können solche Workflows unterstützen, sind aber nicht die Standardanwendung des Lixel K1.
Für uns war in diesem Projekt die Nutzung von Gaussian Splatting der pragmatischste Weg, um schnelle und performante Ergebnisse für eine VR- und WebAR-taugliche Visualisierung zu erzielen.
Qualität der Ergebnisse – Fotogrammetrie vs. Gaussian Splatting
Beide Methoden lieferten im Vergleich valide Ergebnisse – mit jeweils eigenen Stärken und Schwächen.
Die Fotogrammetrie erzeugte ein polygonales Modell mit feinen Texturen, zeigte aber Schwächen bei schwierigen Bereichen (z.B. in Schattenzonen).
Der Lixel K1 lieferte ein Gaussian-Splatting-Modell mit weichem, flächigem Look, das die erfassten Ansichten besonders überzeugend wiedergab.
Dateigröße und Performance im mobilen Einsatz
Ein interessanter Unterschied offenbarte sich bei der Datenmenge und der Performance auf mobilen Endgeräten.
Das Fotogrammetrie-Modell fiel insgesamt deutlich größer aus. In der für uns akzeptablen Qualität betrug die Dateigröße rund 20 MB.
Wir haben festgestellt, dass bei einer Reduktion der Polygonanzahl – etwa zur Optimierung für mobile Anwendungen – sehr schnell sichtbare Qualitätsverluste auftreten, insbesondere bei Rundungen wie den Torbögen, die dann polygonal wirken und an Detail verlieren.
Im Gegensatz dazu war das Gaussian Splatting File bei vergleichbarer visueller Qualität nur etwa 4 MB groß.
Allerdings zeigte sich beim Test auf einem Samsung S20, dass trotz der geringeren Dateigröße die Performance beim Gaussian Splatting leicht hinter der Fotogrammetrie zurückblieb.
Die Framerate auf dem Gerät war bei Gaussian Splatting spürbar niedriger, wenn auch noch vollkommen akzeptabel und für den Anwendungsfall nutzbar.
Das liegt vor allem an der Rendering-Methode von Gaussian Splatting, die durch die Splats eine andere GPU-Belastung erzeugt als klassische polygonale Modelle.
Besonders auf mobilen Endgeräten sollte dieser Punkt berücksichtigt werden, auch wenn die Datenmenge auf dem Papier kleiner erscheint.
Einsatz in WebAR – Datenmenge und Performance entscheiden
Ein wichtiger Aspekt unseres Projekts war der geplante Einsatzzweck des 3D-Scans:
Das Modell sollte später in einer WebAR-Anwendung zum Einsatz kommen, bei der Nutzer das Objekt direkt über das Smartphone oder Tablet im Raum platzieren können – ohne zusätzliche App, rein über den Browser.
Das bedeutet:
Die Dateigröße und Performance sind kritische Faktoren, da das Modell übers Internet geladen werden muss. Hier ist man gezwungen, einen Mittelweg zwischen hoher Qualität und möglichst kleiner Datenmenge zu finden.
Unsere Tests zeigten:
Sowohl das optimierte polygonale Modell aus der Fotogrammetrie als auch das Gaussian Splatting Modell konnten erfolgreich in WebAR integriert werden.
Beide Varianten ließen sich über WebGL ohne Probleme ausliefern, wobei wir bei beiden Versionen besonders auf Kompaktheit geachtet haben.
Erfreulich war, dass das Gaussian Splatting Modell trotz kleinerer Dateigröße eine überzeugende Darstellungsqualität bot und sich ebenfalls reibungslos über WebGL ausliefern ließ – was nicht bei allen modernen 3D-Datenformaten selbstverständlich ist.
Im praktischen Einsatz in WebAR musste man genau hinschauen, um die Unterschiede zwischen beiden Modellen überhaupt zu bemerken.
Beide Versionen waren für die Anwendung gut geeignet und performten stabil, auch auf normalen Smartphones wie unserem Samsung S20.
Direktvergleich in WebAR (interaktive Links)
Für alle, die sich selbst ein Bild machen möchten, haben wir beide Versionen in WebAR-Anwendungen bereitgestellt.
Hier können Sie die Unterschiede direkt im Browser ausprobieren:
➡️ Fotogrammetrie-Modell in WebAR anzeigen
➡️ Gaussian Splatting Modell in WebAR anzeigen
Herausforderungen bei der Nachbearbeitung und Tool-Support
Fotogrammetrie: Hilfsmittel für besseres Alignment – und deren Schattenseiten
Um in der Fotogrammetrie ein möglichst sauberes Alignment der Fotos zu erreichen, haben wir im Projekt einige bewährte Hilfsmittel eingesetzt:
GPS-Modul auf der Kamera:
Unser Fotograf Johannes Müller nutzte ein GPS-Modul, das auf der Kamera montiert war. Dadurch wurden Positions- und Richtungsinformationen direkt in die Metadaten der Bilder geschrieben, was das spätere Alignment in der Fotogrammetrie-Software erheblich erleichtert hat.
Markerbilder (ähnlich QR-Codes):
Zusätzlich haben wir gedruckte Markerbilder auf und um das Exponat platziert. Diese Marker helfen der Software, Bilder korrekt zuzuordnen, vor allem bei Objekten mit homogenen Flächen oder wenig markanten Details.
Diese Hilfsmittel sind in der Fotogrammetrie gängige Praxis – bringen allerdings den Nachteil mit sich, dass die Marker später auf den Texturen sichtbar bleiben und manuell entfernt werden müssen.
Glücklicherweise ist das bei polygonalen 3D-Modellen relativ einfach lösbar, da es etablierte Tools wie Substance Painter gibt, mit denen man direkt auf dem Modell die Texturen retuschieren kann.
Allerdings muss man berücksichtigen, dass die von Fotogrammetrie-Software erzeugten UV-Atlanten oft sehr komplex und unübersichtlich wirken, was das Texturieren etwas anspruchsvoller macht als bei manuell erstellten Modellen mit sauberer UV-Abwicklung.
Gaussian Splatting: Nachbearbeitung im damaligen Test
Ganz anders sieht es bei Gaussian Splatting aus:
Bei Gaussian Splatting liegen Farben und Ansichtsabhängigkeit in den Splats statt in klassischen UV-Texturen. In unserem damaligen Projekt fehlte uns ein ausgereifter Retuscheweg, um Marker oder Störungen gezielt zu entfernen. Die verfügbaren Werkzeuge entwickeln sich weiter; diese Erfahrung ist als damaliger Projektstand zu lesen.
In unserem damaligen Projekt konnten wir Splats zwar löschen oder verschieben, aber nicht gezielt farbkorrigieren oder retuschieren.
Zum Zeitpunkt unseres Tests boten die von uns geprüften Werkzeuge PostShot und SuperSplat keine passende Funktion für diesen konkreten Retuschefall.
Erst nach längerer Recherche sind wir auf ein Blender-Addon namens „3DGS Render Addon“ gestoßen, mit dem es möglich ist, direkt in Blender Gaussian Splats zu bearbeiten und zu übermalen.
Dieses Plugin hat es uns letztlich ermöglicht, die Markerstellen aus dem Splat-Modell zu entfernen – auch wenn der Workflow dabei deutlich experimenteller und fehleranfälliger war als in der klassischen Fotogrammetrie.
Diese Erfahrung zeigt deutlich:
Der Workflow und Tool-Support in derFotogrammetrie ist ausgereift und professionell standardisiert. Im damaligen Projekt warGaussian Splatting bei Bearbeitung und Retusche noch deutlich experimenteller.
Was sich seit unserem Test verändert hat
Unser damaliger Vergleich beschreibt einen konkreten Praxistest mit dem Lixel K1. Seitdem hat sich die Geräte- und Softwarelandschaft weiterentwickelt. Vor allem ist klarer geworden: Gaussian Splatting und Fotogrammetrie beginnen oft mit sehr ähnlichen Bilddaten und einem ähnlichen Alignment. In beiden Fällen müssen überlappende Aufnahmen erkannt und Kamerapositionen sowie Blickrichtungen zueinander bestimmt werden. Das kann über Bildmerkmale, eine SLAM-Trajektorie, LiDAR-Daten oder eine Kombination davon geschehen.
Der entscheidende Unterschied entsteht vor allem danach. Bei der Fotogrammetrie werden aus den ausgerichteten Bildern Geometrie und Texturen für ein polygonales Modell rekonstruiert. Beim Gaussian Splatting werden die Bilder mit ihren Kameraposen genutzt, um eine ansichtsabhängige Darstellung aus 3D-Gaussians zu optimieren. Die Verfahren teilen also wichtige Schritte, verfolgen bei Rekonstruktion und Ergebnis aber unterschiedliche Ziele.
Das wirkt sich auf die Aufnahme aus. Für ein gutes Gaussian-Splatting-Ergebnis sollte die Szene aus vielen Blickwinkeln und möglichst auf den Höhen und Positionen erfasst werden, aus denen sie später betrachtet wird. Fehlen solche Ansichten, können Flächen weich, löchrig oder semitransparent erscheinen. Eine Fotogrammetrie-Pipeline kann fehlende Bereiche bei der Mesh-Erzeugung teilweise schließen oder aus den vorhandenen Daten eine zusammenhängende Oberfläche ableiten. Das macht unsichtbare Seiten jedoch nicht automatisch korrekt: Auch hier braucht es ausreichende Überlappung und eine passende Abdeckung.
Seit unserem K1-Test haben wir außerdem neuere Geräte ausprobiert. Die XGRIDS PortalCam liefert in unserer Einschätzung sichtbar bessere Bildqualität als der damals verwendete K1 und ist vor allem auf visuelle Gaussian-Splatting-Ergebnisse ausgelegt. Der Lixel K2 ergänzt den Scan-Workflow um die Möglichkeit, aus Scan- und Panoramadaten texturierte Meshes zu erzeugen. Das ist ein wichtiger Schritt Richtung polygonaler Weiterverarbeitung. Für hochwertige Medienvisualisierung reicht die Mesh-Qualität in unseren bisherigen Tests jedoch noch nicht aus.
Mit dem Lixel L3 ist inzwischen ein neuer Scanner hinzugekommen. XGRIDS nennt eine validierte relative Genauigkeit von 5 mm. Das ist für räumliche Erfassung und Vermessung interessant, sagt allein aber noch nichts darüber aus, ob Texturen, feine Details und Oberflächen für hochwertige Medienproduktion genügen. Genau das muss ein Praxistest zeigen.
Unser heutiger Zwischenstand: Fotogrammetrie ist weiterhin besonders interessant, wenn messbare, editierbare Polygonmodelle gefragt sind. Gaussian Splatting eignet sich, wenn eine Szene visuell überzeugend und aus den tatsächlich erfassten Blickwinkeln wiedergegeben werden soll. Bei SLAM-Scannern hängt die Eignung für Medienproduktion davon ab, ob Punktwolke, Mesh und Texturauflösung die nötige Detailtiefe erreichen.
Fazit: Was ist besser – Gaussian Splatting oder Fotogrammetrie?
Zum Abschluss die oft gestellte, vermeintlich einfache Frage:
Was ist jetzt eigentlich besser? Fotogrammetrie oder Gaussian Splatting?
Unsere ehrliche Antwort nach diesem Projekt lautet:
Für genau diesen Testfall war Gaussian Splatting die pragmatischere Lösung. Daraus lässt sich keine allgemeine Rangfolge der Verfahren ableiten.
Warum?
Weil es in unserem Anwendungsszenario – dem schnellen Erfassen eines Exponats im Museum für die spätere Nutzung in einer WebAR-Anwendung – vor allem auf zwei Punkte ankam:
- Effizienz und Geschwindigkeit vor Ort
- Ein akzeptables Gleichgewicht zwischen Dateigröße, Qualität und einfacher Weiterverarbeitung
Die folgenden Messwerte stammen aus unserem damaligen Test des Architekturmodells. Sie dokumentieren diesen Einzelfall und sind keine allgemeingültigen Leistungswerte:
Gaussian Splatting:
- Aufnahmezeit: ca. 15 Minuten
- Rechenzeit für die Aufbereitung: ca. 4 Stunden
- Dateigröße des fertigen Files: ca. 4 MB
- Direkt einsatzbereit für WebAR ohne nennenswerte Nachbearbeitung
Fotogrammetrie:
- Aufnahmezeit: ca. 1 Stunde
- Rechenzeit für die Aufbereitung: ca. 4 Stunden
- Initiale Dateigröße nach Reality Capture: mehrere GB (mit Millionen Polygonen)
- Zusätzlich notwendige manuelle Optimierung und Reduktion für WebAR (zeitaufwendig)
In unserem konkreten Museumstest war die Erfassung mit Gaussian Splatting deutlich schneller. Das Ergebnis hängt allerdings vom Aufnahmeplan, dem Scanner und der benötigten Abdeckung ab.
In diesem Projekt reduzierte der GS-Workflow unseren damaligen Nachbearbeitungsaufwand. Daraus folgt kein allgemeiner Kostenvorteil: Aufnahme, Rekonstruktion, Bereinigung und Zielplattform müssen jeweils mitgerechnet werden.
Allerdings muss man fairerweise ergänzen:
Gaussian Splatting ersetzt polygonale Workflows nicht überall: Wenn CAD, editierbare Geometrie, UV-Texturen oder klassische Materialbearbeitung gebraucht werden, bleibt ein Mesh erforderlich.
Wie flexibel sich ein Splat bearbeiten lässt, hängt von Software, Exportformat und gewünschtem Eingriff ab. Ein Polygonmodell bleibt für direkte Geometrie- und Texturänderungen meist der besser passende Datentyp.
Wer also Daten für klassische CAD, Offline-Renderings oder komplexe Materialbearbeitungen benötigt, stößt mit Gaussian Splatting derzeit noch an Grenzen.
In unserem damaligen Test gab es bei großen Gaussian Splatting-Dateien in Unreal und Unity Stabilitäts- und Performanceprobleme. Das ist ein Projektergebnis aus dieser Zeit, keine pauschale Aussage über heutige Engine-Versionen oder Plugins.
Kurioserweise lieferten unsere Tests mit WebGL und Browser-basierten Playern die stabilste und performanteste Lösung, was uns in der Praxis positiv überrascht hat.
Zusammengefasst:
- Für eine ansichtsabhängige, visuell überzeugende Darstellung der erfassten Szene: Gaussian Splatting kann Vorteile haben.
- Für messbare, editierbare Polygonmodelle und etablierte 3D-Pipelines: Fotogrammetrie ist häufig die passendere Grundlage.
Unser persönliches Fazit:
Heute sehen wir beide Verfahren als wichtige Werkzeuge mit unterschiedlichen Zielen. Entscheidend ist, welche Daten das Projekt braucht: ein ansichtsabhängiges Erscheinungsbild, ein editierbares Mesh oder beides.
Häufig gestellte Fragen (FAQs)
Beide Verfahren nutzen überlappende Bilder und müssen Kamerapositionen zueinander ausrichten. Fotogrammetrie rekonstruiert daraus ein polygonales Modell mit Texturen; Gaussian Splatting optimiert eine ansichtsabhängige Darstellung aus 3D-Gaussians.
In unserem damaligen K1-Vergleich dauerte die Fotogrammetrie etwa eine Stunde und der Scan mit Gaussian Splatting rund 15 Minuten. Diese Werte gelten für dieses Projekt und sind kein allgemeiner Zeitvergleich.
Das hängt von Aufnahme, Datenqualität und Ziel ab. Fotogrammetrie liefert editierbare Mesh-Geometrie; Gaussian Splatting kann die erfasste Ansicht sehr überzeugend wiedergeben. Für Messgenauigkeit zählt die jeweilige Erfassungs- und Verarbeitungskette.
Ja. Derselbe Bildsatz und ein gemeinsames Alignment können als Grundlage für unterschiedliche Ausgaben dienen. Ob daraus ein Mesh, ein Gaussian Splat oder beides entsteht, hängt vom Rekonstruktionsworkflow ab.
Ja. Spezialisierte Werkzeuge unterstützen etwa Viewer, Bereinigung oder Formatkonvertierung. Welche Korrekturen möglich sind, hängt vom Tool und Dateiformat ab. Für direkte Geometrie- und UV-Texturänderungen ist ein polygonales Mesh meist das geeignetere Format.
Das kann je nach Gerät, Modellgröße und Viewer passieren. Dateigröße allein sagt wenig über die Renderleistung aus; beide Formate müssen für das jeweilige Zielgerät getestet und optimiert werden.
