一、引言

在计算机视觉与图形学领域，三维重建技术正经历从传统几何建模向智能化神经表征的范式转变。近年来，随着深度学习算法的迭代、传感器技术的进步及计算硬件的升级，以神经辐射场（NeRF）和高斯泼溅（2DGS、3DGS）为代表的新型三维重建技术，正颠覆传统方法对几何结构的表征逻辑。上述技术不仅在理论上突破了显式几何建模的局限，更在实景三维建模、自动驾驶环境感知、元宇宙场景构建等前沿领域展现出不可替代的应用价值。

传统三维重建依赖多视角立体视觉（MVS）与运动恢复结构（SfM）算法，通过点云配准、网格生成等步骤构建场景，但在复杂纹理场景细节捕捉、动态物体建模及大规模场景计算效率上存在显著瓶颈。而 NeRF 技术通过神经网络隐式表征三维场景，以光线追踪与神经渲染实现照片级真实感图像合成；2DGS 与 3DGS等高斯泼溅技术则借助高斯分布的可学习特性，通过高效 splatting 渲染技术，在保证模型精度的同时实现实时性优化 —— 这些创新为智慧城市、文化遗产保护、工业检测等领域的三维建模提供了全新技术路径。
当前，NeRF 与高斯泼溅技术已从实验室走向产业化应用。本文将系统解析精细三维重建的核心方法演进逻辑，从技术原理、场景表征、建模流程到行业实践，构建从理论到落地的完整知识体系。

二、三维场景的表征方式

（一）显示几何表示​

直接描述场景的几何结构，适合精确建模和可视化。

（1）多边形网格（PolygonMesh）​​
结构特性：由顶点、边和面组成的拓扑结构，任意多边形可转化为三角网格，包含精确的几何坐标与面连接关系。
典型应用：游戏引擎（Unity/Unreal）、CAD 建模、影视动画。
核心优势：
渲染效率高，支持实时渲染与交互操作；
拓扑信息完整，便于模型编辑与布尔运算；
数据格式标准化（如 OBJ、FBX），跨平台兼容性强。
技术局限：
复杂曲面建模需高密度细分，导致数据量激增；
非结构化网格获取依赖专业建模软件或复杂重建流程。

（2）体素栅格（VoxelGrid）​​
结构特性：将三维空间划分为规则排列的立方体单元（体素），可采用八叉树结构实现可变分辨率。
典型应用：3D 打印、机器人路径规划、粗略碰撞检测。
核心优势：
结构规整，天然适配深度学习 3D 卷积运算；
遮挡处理简单，可直接用于空间占据状态表示。
技术局限：
固定分辨率下细节表征能力有限，高分辨率模型内存消耗巨大；
缺乏拓扑信息，难以表示薄壳结构（如纸张、玻璃）。

（3）点云（PointCloud）​​
结构特性：由海量三维点组成的非结构化数据，每个点包含 X/Y/Z 坐标，可附加 RGB、法向量、反射强度等属性。
典型应用：激光雷达环境扫描、文物数字化、工业质检。
核心优势：
直接来源于传感器（如 LiDAR），数据获取效率高；
灵活表征复杂曲面，无需拓扑连接关系。
技术局限：
非结构化数据处理难度大，需配准、降噪等预处理；
缺乏表面连续性信息，难以直接用于渲染。

（二）隐式几何表征[深度图 (Depth Map)]

结构特性：二维图像中每个像素记录场景点到相机的距离，形成单视角深度信息。
典型应用：AR 交互（如手机摄像头深度感知）、单目三维重建初始化。
核心优势：
数据结构简单，存储成本低；
可通过 ToF 传感器或立体匹配直接获取；
适配 2D 卷积神经网络处理。
技术局限：
仅表征单帧深度，与视角强绑定；
缺乏三维空间整体结构信息，难以重建复杂拓扑。

小结：多边形网格（PolygonMesh）、体素栅格（VoxelGrid）是建立在传统三维重建方法（SfM、MVS）基础上，主要依赖多视图几何，几何精度较高，但难以捕捉光照与反射特性，且在纹理缺失或遮挡处易出现空洞、伪影。

（三）隐式神经表征

表征逻辑：通过神经网络或连续函数拟合三维场景，通过神经辐射场（NeRF）或SDF（Signed Distance Function）、3dgs、2dgs隐式建模场景。无需显式存储几何结构。
核心优势：
理论上支持无限分辨率场景表征；
可通过神经渲染生成照片级新视角图像；
天然适配复杂光照环境（如镜面反射、软阴影）。
技术挑战：
训练需海量多视角图像，计算资源消耗大；
泛化能力有限，难以迁移到未训练场景；
Nerf渲染速度受限于神经网络推理效率。

三、nerf、3dgs、2dgs等新方法技术原理

（一）基于nerf的三维重建

NeRF（神经辐射场，NeuralRadianceField）是一种隐式神经表征技术，通过神经网络将三维场景表示为连续的辐射场函数。
输入与输出：以空间点坐标$(x,y,z)$和视角方向$(\theta ,\phi )$作为输入，通过神经网络映射为该点的颜色$(RGB)$和密度$(\sigma )$，即函数关系为$(x,y,z,\theta ,\phi )\to (RGB,\sigma )$

场景表征逻辑： 区别于显式几何（如网格、点云），NeRF通过神经网络隐式拟合整个场景的辐射场。它不直接存储或操作三维几何结构，而是通过模拟光线在场景中的传播与积分过程来合成新视角图像。

（二）基于高斯泼溅的三维重建

1.3DGS基本原理

3DGS（三维高斯Splatting）是一种显式几何表征技术，核心是使用可优化的三维高斯椭球集合直接表征场景。
三维高斯椭球表征：场景由大量分布在3D空间中的高斯椭球组成。每个高斯单元参数包括:三维位置$(x,y,z)$、$3$x$3$协方差矩阵(在缩放和旋转空间定义,控制椭球的形状、大小和方向)、不透明度($\alpha$)、以及视角相关的颜色（通常用球谐函数系数$SHcoefficients$ 表示）。每个椭球代表一小块具有特定外观（颜色、透明度）和几何特性（位置、形状、朝向）的场景区域。

2.2DGS基本原理

3DGS 在捕捉复杂几何形状（尤其是薄壁表面）时存在局限性，其根本原因在于其基于体积化三维高斯椭球的基础表征方式与物体表面的薄片性质存在内在冲突。已有研究表明，表面元素 (surfels)是一种能有效表征复杂物体表面的方法，并在 SLAM 领域得到成功应用。3DGS 使用椭球体作为基本单元，本质上是具有体积的模型。其渲染过程依赖于计算光线与高斯椭球相交处的“高斯值”贡献。然而，当光线从不同角度入射时，该交点对应的深度值会发生变化，导致渲染出的深度信息不一致且不够准确​​。
针对上述问题，2DGS 的作者提出并实现了以下核心改进：使用带有朝向信息的 2D 椭圆盘（即 surfels）取代椭球体，作为场景的基本表征单元。

一句话总结：我们可以把多边形网格（PolygonMesh）、体素栅格（VoxelGrid）等是“真是存在的”，而NeRF、高斯泼溅是通过电视屏幕去“看”，我们看到的是渲染出来的图像

四、基于NeRF、高斯泼溅的实景三维建模技术路线

（一）开源实现

技术路线：视频输入→FFmpeg切帧→COLMAP稀疏重建→分项目技术分支（NeRF、3DGS、2DGS）→模型训练→结果渲染。

1.FFmpeg项目

作用：视频预处理的核心工具。​
详细步骤/说明：​
输入：原始视频文件(如.mp4,.mov,.avi等)。​
抽帧：将视频按设定的时间间隔（如每秒N帧）或关键帧提取成连续的静态图像序列（如.jpg,.png）。​
分辨率调整：降低图像分辨率可以显著加速后续COLMAP处理和模型训练，。​
输出：一个文件夹，包含按顺序编号的、预处理后的图像文件序列。这是整个重建流程的原始数据基础。

2.COLMAP项目

作用：实现场景的稀疏三维重建，为后续的密集重建与模型训练提供基础数据，是整个建模流程中从二维图像到三维信息转化的关键一步。​
详细步骤/说明：​
输入：FFmpeg预处理后的图像序列文件夹。​
特征提取与匹配：COLMAP首先对输入图像进行特征点检测（如SIFT、SURF等），并在不同图像间匹配同名特征点，构建图像之间的对应关系。
运动恢复结构（SfM）：基于匹配的特征点，COLMAP利用多视图几何原理，计算每张图像的相机位姿（位置和姿态），并恢复场景的稀疏三维点云结构。此过程通过优化算法求解相机参数和三维点坐标，使得重投影误差最小化。​
输出：包含稀疏点云、相机参数（内参和外参）等信息的模型文件。其中，稀疏点云描绘了场景中部分关键位置的三维坐标，相机参数则记录了每张图像拍摄时的具体位置和姿态，这些数据为后续的NeRF、3DGS、2DGS模型训练提供了重要的空间参考信息。

3.书生·天际 (NeRF, 大规模城市场景优化)

针对大规模城市级场景的nerf建模，书生·天际采用了基于网格表征的双支结构模型。这个模型包含一个网格端和一个nerf端。网格端将场景分解成地面特征平面和垂直特征轴，而nerf端采用轻量mlp网络重建训练视角。为减少渲染计算量，书生·天际可有效地跳过空白空间，降低#九成以上采样量，同时采用提前终止渲染的方式提高计算效率。

项目链接：https://github.com/InternLandMark/LandMark

4.BlockGaussian (3DGS, 大规模分块优化)

BlockGaussian:EfficientLarge-ScaleSceneNovelViewSynthesisviaAdaptiveBlock-BasedGaussianSplattin

项目链接：https://github.com/SunshineWYC/BlockGaussian
提出一种分而治之的框架，大幅提升了基于高斯泼溅的大规模场景重建和渲染的效率与质量，解决了传统方法在处理海量数据时面临的计算瓶颈和边界伪影。
创新技术点：
内容感知动态分块：根据场景不同区域的几何与纹理复杂度，动态调整分区大小，平衡各区块的计算负载，实现更均匀且高效的计算资源分配。
辅助点优化策略：在独立优化每个区块的Gaussians时，​针对性引入辅助点。这些辅助点有助于对齐区块边界处的真实监督信号（颜色、深度），显著减少区块孤立优化带来的几何不匹配和精度损失，提升最终合并后的全局重建精度。
伪视图几何约束：首创在区块合并阶段引入渲染伪视图(如深度图、法线图)作为几何约束。该约束能有效抑制分块边界处和孤立Gaussians(“浮动点”)引起的合并伪影和渲染退化​​，确保全局场景的几何连贯性与渲染质量。
显著优势：
效率飞跃：优化速度提升>5倍。质量提升：平均PSNR(峰值信噪比)提高1.21dB，渲染图像更清晰锐利。
资源节约：能在单卡(24GBVRAM)上完成城市级等超大场景的完整重建与新视角合成，降低了硬件门槛。
克服传统瓶颈：有效解决了大规模场景下分区、孤立优化、块合并的全流程挑战

5.CityGaussian V2(2DGS, 可扩展性、存储与训练优化)

CityGaussianSeriesforHigh-qualityLarge-ScaleSceneReconstructionwithGaussians

项目链接：https://github.com/Linketic/CityGaussian
攻克2DGS在大规模应用中的可扩展性(Scalability)与收敛性(Convergence)难题，致力于实现城市场景下高质量、高效率、存储友好的高斯重建。
创新技术点：
分解梯度驱动的致密化与深度回归：提出一种新颖的致密化方法，通过分析梯度信息更精细化地判断高斯的位置、尺度、旋转变化需求。结合深度回归预测，加速收敛过程并显著减少模糊/漂浮伪影，得到更清晰、几何一致的3D高斯表示。
伸长滤波器：针对2DGS在处理平坦或低纹理区域时高斯数量激增(“爆炸”)的问题，设计高效滤波器识别并移除显著拉长(退化为平面片状)的、低贡献度的高斯，大幅减少存储冗余和无效计算。
高效并行训练管线优化：对整个训练流程进行并行化重构和资源调度优化。
优势：相比标准2DGS，获得>10倍的模型存储节省。训练时间减少>25%。训练期间显存占用降低50%。

（二）厂商实践

1.大势智慧 - 重建大师7.0 (OPGS流程集成)

在既有2D正射与3D网格生产能力基础上，无缝扩展OPGS成果生产流程。
基于空三Block成果直接进行3DGS重建，复用原始空间框架坐标系，确保成果无缝集成；与传统3D重建路径耗时持平（同等硬件配置），流程操作一致；输出高质量3D OPGS成果，兼容多源数据融合建模需求，适用于城市级大规模场景。

2.Mapmost - GIS融合 (坐标还原、空间量测)

聚焦地理信息属性融合，解决3DGS模型空间应用瓶颈。
支持RTK/PPK无人机影像的真实坐标映射，输出具备厘米级定位精度的3DGS模型；集成点选量测工具，支持模型表面距离、面积、体积的实时测算（如土方工程、设施间距）；支持模型与WGS84/CGCS2000坐标系的动态适配，适配数字孪生平台集成。

3.Bentley - iTwin Capture (多源数据融合)

通过多源数据融合与高性能计算优化重建流程：
支持同步处理无人机影像、激光点云、飞思IIQ工业相机数据，通过SfM生成稀疏点云基座；支持钢结构螺栓级精细建模（如桥梁栓接节点）、半透明材质渲染（玻璃幕墙），适配基础设施高精度巡检。

五、开源项目实践经验

（一）数据准备

若为视频，则使用FFmpeg转为有序的照片。若为无人机影像、照片等，直接使用colmap进行稀疏重建即可。

1.FFmpeg安装及使用（若需要）

（1）安装步骤

下载安装包
访问 FFmpeg 官网（https://ffmpeg.org/download.html），根据 Windows 系统版本（32 位 / 64 位）选择 “release-full” 版本（功能完整且更新）。
解压文件
将下载的压缩包（如 .7z 格式）解压到指定文件夹，例如 C:\Program Files\FFmpeg，便于管理。
配置环境变量
找到解压目录下的 bin 文件夹，复制其完整路径（如 C:\Program Files\FFmpeg\bin）。
右键点击 “此电脑” → “属性” → “高级系统设置” → “环境变量”。
在 “系统变量” 中找到 Path 变量，点击 “编辑” → “新建”，粘贴 bin 路径后保存。
验证安装
按 Win+R 打开 “运行”，输入 cmd 打开命令提示符，输入 ffmpeg -version。
若显示版本信息（如 ffmpeg version 4.4 Copyright © 2000-2021 the FFmpeg developers），则安装成功。

（2）ffmpeg命令

ffmpeg -i input.mp4 -vf "setpts=0.2*PTS" input/input_%4d.jpg
-i input.mp4：指定输入视频文件为input.mp4。
-vf "setpts=0.2*PTS"：这是一个视频过滤器选项，其中 setpts 指令用来设置帧的时间戳（Presentation TimeStamps）。这里的表达式 0.2*PTS表示将当前帧的时间戳乘以0.2，这意味着抽取出来的帧之间的间隔被拉长了5倍，所以生成的图像序列将以视频原始速度的五分之一进行播放。
input/input_%4d.jpg：这是输出文件格式及路径，其中 %4d是一个格式化占位符，它会被自增的整数所替换，确保每个输出文件名是唯一的。例如，输出的第一帧将会被保存为input/input_0001.jpg，第二帧为input/input_0002.jpg，依此类推。同时，输出目录被指定为input/目录下。

2.colmap安装及使用

（1）安装

下载预编译安装包
访问 COLMAP 发布页面，找到适配 Windows 系统的最新预编译 .zip 安装包。下载后解压到本地目录。
配置环境变量
右键点击 “此电脑” → “属性” → “高级系统设置” → “环境变量”。
在 “系统变量” 中找到 Path，点击 “编辑” → “新建”，添加 COLMAP 安装目录中的 bin 路径（如 D:\colmap\bin）。
验证安装
打开命令提示符，输入 colmap gui并回车。若成功启动 COLMAP 图形用户界面，则安装完成。

（2）colmap命令

使用colmap命令直接转换数据
colmap automatic_reconstructor --workspace_path . --image_path ./images --sparse 1 --camera_model SIMPLE_PINHOLE --dense 0
colmap automatic_reconstructor: 这是调用COLMAP程序中的自动重建模块，它会自动完成特征提取、匹配、重投影误差优化和三角化等步骤，以生成场景的稀疏3D点云模型。
--workspace_path .: 指定了工作空间路径为当前目录(.)，在这个路径下，COLMAP将存储中间结果以及最终的重建输出文件。
--image_path ./images: 定义了图像数据集所在的路径，即所有参与重建的图片都位于./images目录下。
--sparse 1: 这个参数表示进行稀疏重建（与密集重建相对），即只构建出场景中的关键点及其对应关系，并通过这些信息生成一个由稀疏点云组成的三维模型。
--camera_model SIMPLE_PINHOLE: 指定使用的相机模型为“简单针孔模型”（Simple Pinhole Model）。这意味着COLMAP在进行重建时将假设相机遵循的是最基础的几何投影模型，其中不包括像径向畸变这样的复杂因素。
--dense 0，减少不需要的计算操作。

（二）CityGaussianV2实现

1.安装注意事项

需依据CityGaussian 官方安装文档完成基础安装，再补充以下库
ninja 安装：执行pip install ninja，用于高效构建 C++ 扩展模块。
xformers 版本匹配：需严格对应 PyTorch 版本，例如pip install xformers==0.0.22，。
triton 安装：执行pip install -U triton-windows，优化 CUDA 计算效率，提升训练速度。

2.数据准备

使用FFmpeg、colmap章节准备数据，然后根据教程https://github.com/Linketic/CityGaussian/blob/main/doc/data_preparation.md进行数据进入CityGaussian的准备

（1）数据下采样

数据下采样：通过命令python utils/image_downsample.py data/your_scene/images --factor $DOWNSAMPLE_RATIO降低图像分辨率，平衡精度与计算成本（建议下采样倍率根据场景复杂度设为 2-4）

（2）生成深度模型

克隆深度估计库：git clone https://github.com/DepthAnything/Depth-Anything-V2 utils/Depth-Anything-V2（无需安装其依赖）。
下载预训练模型：创建目录utils/Depth-Anything-V2/checkpoints，并将depth_anything_v2_vitl.pth放入其中（在国内的HF-Mirror里面找）。
生成深度图：执行python utils/estimate_dataset_depths.py data/your_scene -d $DOWNSAMPLE_RATIO，确保下采样倍率与步骤 1 一致，输入路径指向原始图像文件夹。

3.训练

跟着https://github.com/Linketic/CityGaussian/blob/main/doc/run&eval.md一步一步走就行
1.相关的配置文件可以参看：https://blog.csdn.net/m0_53955985/article/details/146249200
2.记得将相关配置文件的【down_sample_factor】修改为你自己的倍率。

六、高斯泼溅与Mesh模型效果对比

这里引用：https://mp.weixin.qq.com/s/XyQW7OJGMx2V4EZBHTfMbg

（一）上面为Mesh，下面为高斯泼溅

（二）上面为高斯泼溅，下面为Mesh

1.清晰度。OSGB清晰度比3DGS要高，细节表现更加良好。如墙上的字迹、车牌等，OSGB都可以看到，而3DGS放大看是模糊的；
2.细节层次。3DGS更加逼真。对于细小的难以构建的模型，3DGS能够表现出来，如电线、栏杆铁架等，
3.场景效果。3DGS更加和谐。对于场景内的植被，OSGB都是一坨在一起，而3DGS可以将枝叶表现出来，与实际更接近；场景中金属、木材、石块等材质，更有质感，效果更加逼真。
4.数据大小。3DGS数据量相对较小。同样的面积，3DGS的数据量不到OSGB的二分之一，存储空间更小（通信塔OSGB大小为392M，3DGS仅为28.1M），传输速度更快。

七、高斯泼溅的多端集成

（鉴于 NeRF 技术受限于高渲染要求，难以在实际生产中应用，而高斯泼溅技术无需多次查询神经网络，可在终端设备实现实时渲染，以下将聚焦高斯泼溅技术展开讨论。）

高斯泼溅技术凭借高效的渲染性能与细节捕捉能力，在多平台应用开发中愈发关键。具体集成方向如下：

（一）游戏引擎加载

将 3D Gaussian Splatting 技术集成至 Unity、Unreal Engine 、blender等主流游戏引擎，可助力开发者通过 3DGS 的高效渲染与逼真视觉效果，打造更沉浸的高质量游戏体验。
Unity 平台：开发者 Aras Pranckevičius 提供了插件GSTestScene.unity，支持高斯泼溅模型的加载与渲染。
Unreal Engine 平台：UE Gaussian Splatting插件具备以下优势：
支持 3DGS 模型资源实时渲染，兼顾高性能与画质；
利用八叉树优化空间点数据，实现动态 LOD（Level of Detail）渲染；
提供自动碰撞生成功能，提升游戏交互体验。
blender可以使用3DGS Render Blender Addon，使得用户可以在 Blender 这一熟悉的环境中处理 3DGS 内容，编辑和优化点云，创建动画和运动图形，同时支持物体对光照的反应和产生阴影。

（二）Web 引擎加载

当前已涌现多个支持 Web 端渲染高斯泼溅的开源库，具体包括：
基于 WebGPU 的渲染器：gaussian-splatting-web；
纯 WebGL 实现（不依赖外部库）：splat；
基于 Three.js 的渲染器：Gaussian Splats3D；
Web 端编辑器：super-splat；
Babylon.js 引擎内置高斯泼溅渲染支持。

（三）高斯泼溅与 GIS 的融合方案

高斯泼溅技术与地理信息系统（GIS）的融合，为大规模三维地理空间数据的高效管理、精准可视化及深度应用开辟了新路径，突破了传统三维模型在地理信息承载与空间分析上的局限，推动实景三维数据向地理信息级应用升级。
技术实现层面，Cesium 团队已提出针对 glTF 格式的高斯扩展标准 KHR_gaussian_splatting（相关技术细节可参考https://github.com/CesiumGS/cesium/tree/splat-shader），为高斯泼溅模型与 GIS 系统的兼容提供了底层格式支撑。该扩展使高斯泼溅模型能直接承载地理坐标信息，实现与 GIS 空间框架的无缝对接。
在实际应用中，借助 GISBox 工具（访问地址：http://gisbox.mkaua.cn/）可完成格式转换与数据切片：将 ply 格式或 splat 格式的高斯泼溅模型，批量处理为符合 OGC 标准的 3D Tiles 数据。3D Tiles 作为主流的大规模三维地理数据传输与可视化格式，能适配各类 GIS 平台（如 Cesium、ArcGIS），支持高斯泼溅模型在数字孪生城市、智慧园区等场景中，与地形、影像、矢量等多源地理数据协同展示，实现从实景重建到地理信息应用的全流程闭环。

八、总结

三维重建技术正从传统显式几何建模向智能化神经表征快速演进，NeRF、3DGS、2DGS 等新型方法在理论突破与产业落地中展现出差异化价值：

从技术特性看，NeRF 作为隐式神经表征的代表，通过神经网络拟合辐射场实现照片级新视角合成，在复杂光照与材质还原上具备天然优势，但受限于神经网络推理效率，渲染速度较慢且训练依赖海量多视角数据与高计算资源，难以满足实际生产中的实时性需求。
3DGS 与 2DGS 为代表的高斯泼溅技术则通过显式几何表征（三维高斯椭球或二维椭圆盘）突破了这一局限：3DGS 以可优化的高斯单元直接表征场景，兼顾细节捕捉与渲染效率，在细小结构（如电线、栏杆）和自然场景（如植被枝叶）的还原上更逼真，且数据量仅为传统网格模型（如 OSGB）的 1/2 以下，显著降低存储与传输成本；2DGS 针对 3DGS 在薄壁表面建模的缺陷，引入带朝向的 2D 椭圆盘，通过梯度驱动的致密化、伸长滤波器等创新，进一步解决了大规模场景中的可扩展性与存储冗余问题，在城市场景重建中实现了精度、效率与存储的平衡。

从产业实践看，高斯泼溅技术已通过 BlockGaussian 的分块优化、CityGaussian V2 的存储压缩，以及大势智慧、Mapmost 等厂商的流程集成，逐步突破大规模场景重建的计算瓶颈与空间应用限制，在智慧城市、地理信息融合等领域形成落地能力；而 NeRF 受限于渲染性能，更多停留在实验室研究与特定高精度场景（如文化遗产数字化）探索。

九、参考

https://zhuanlan.zhihu.com/p/26344567471
https://blog.csdn.net/qq_45752541/article/details/130072505
https://zhuanlan.zhihu.com/p/680669616
https://fansaorz.github.io/2024/05/11/2DGS%E8%AF%A6%E8%A7%A3/
https://blog.csdn.net/Darlingqiang/article/details/142773142
https://www.cnblogs.com/shanhaibi/p/18700933
https://blog.csdn.net/BigerBang/article/details/140301608
https://zhuanlan.zhihu.com/p/696911349