【三维重建】【3DGS系列】【深度学习】从泰勒展开到球谐函数：3DGS颜色表达背后的数学直觉

1. 引言：从“猜数字”到“猜颜色”，理解3DGS的数学直觉

想象一下，你正在玩一个“猜数字”游戏。我心中想好了一个数字，比如是3.14159，然后让你来猜。你第一次猜1，我说“小了”；你第二次猜5，我说“大了”；你第三次猜3，我说“接近了，但还差一点”……通过不断猜测和我的反馈，你最终能逼近我心中的那个数字。这个过程，本质上就是一种函数逼近——你用一个简单的猜测（一个数字），去逼近一个复杂的、未知的目标（我心中的数字）。

现在，把这个游戏升级一下。在三维重建的世界里，比如3D高斯泼溅（3DGS）技术中，我们面对的不是一个简单的数字，而是一个会随着观察角度变化而改变颜色的物体表面。想象一个光滑的陶瓷花瓶，你从正面看，它反射着窗户的光，呈现亮白色；你从侧面看，它可能映出窗帘的蓝色；从顶部俯视，又带点天花板的灰色。对于3DGS中的每一个“高斯椭球”（你可以把它想象成一个微小的、有形状和方向的彩色小泡泡），我们需要回答一个更复杂的问题：“从任意一个角度看过去，这个泡泡应该是什么颜色？”

这就不再是猜一个固定数字了，而是猜一个函数——一个输入是观察方向（两个角度），输出是RGB颜色的函数。这个函数可能非常复杂、不规则。3DGS解决这个难题的“法宝”，就是球谐函数。但别怕，球谐函数听起来高大上，其核心思想和“猜数字”游戏，以及我们更熟悉的泰勒展开、傅里叶级数，是一脉相承的：用一组简单的、已知的“基函数”进行线性组合，去表达或逼近一个复杂的、未知的函数。

这篇文章，我就带你抛开那些令人望而生畏的数学符号，用最直观的类比和可视化的方式，一步步建立起从泰勒展开、傅里叶级数到球谐函数的认知阶梯。你会发现，3DGS中那看似神秘的颜色表达，背后其实是一种优雅而实用的数学思想。无论你是刚入门三维重建的开发者，还是对深度学习渲染感兴趣的研究者，理解这套“基函数组合”的直觉，都将让你对3DGS乃至更广泛的神经渲染技术，有更深刻、更通透的认识。

2. 数学工具箱：三种“以简驭繁”的逼近思想

在深入球谐函数之前，我们必须先打好基础，理解数学中“用简单构建复杂”的通用策略。泰勒展开、傅里叶级数和球谐函数，正是这一策略在不同战场上的三位杰出代表。

2.1 泰勒展开：用“多项式”在一点附近展开函数

泰勒展开可能是我们最熟悉的一位。它的目标很明确：在一个特定的点（比如x=0）附近，用一个多项式来无限逼近某个复杂函数。

生活类比：这就像用乐高积木搭建一条复杂的曲线。最初你只用一块最长的直积木（0阶，常数项），只能搭出一条水平线，误差很大。然后你加入一些带角度的积木（1阶，一次项），能让这条线开始有斜率，更贴近目标曲线在起点处的走向。接着，你加入更小的、带有弧度的特殊积木（2阶、3阶等高阶项），就能让搭出来的线条开始弯曲，越来越贴合目标曲线的每一个细微起伏。你用的特殊形状积木越多（阶数越高），最终拼出来的线条就越像原来的复杂曲线。

数学核心：泰勒展开的“基函数”是幂函数：1,(x-a),(x-a)^2,(x-a)^3, ...。每个基函数前面都有一个系数，这个系数由原函数在该点a的各阶导数决定。所以，学习（或者说“拟合”）的过程，就是确定这些系数。

让我们用代码直观感受一下，如何用不同阶数的泰勒多项式去逼近自然指数函数e^x。

import numpy as np import matplotlib.pyplot as plt from math import factorial # 定义原函数 e^x def original_func(x): return np.exp(x) # 计算e^x在x=0处的n阶泰勒展开 def taylor_expansion(x, n): """计算e^x在x=0处的n阶泰勒展开""" result = np.zeros_like(x) for k in range(n+1): result += x**k / factorial(k) # 这就是基函数 (x**k) 和系数 (1/k!) 的组合 return result # 生成数据点 x = np.linspace(-2, 2, 400) y_true = original_func(x) # 计算不同阶数的逼近 orders = [0, 1, 2, 3, 5] approximations = {f'{order}阶': taylor_expansion(x, order) for order in orders} # 绘图对比 plt.figure(figsize=(10, 6)) plt.plot(x, y_true, 'k-', linewidth=3, label='原函数: $e^x$') colors = ['blue', 'green', 'orange', 'red', 'purple'] for (label, y_approx), color in zip(approximations.items(), colors): plt.plot(x, y_approx, '--', linewidth=1.5, alpha=0.8, color=color, label=label) plt.axvline(x=0, color='gray', linestyle=':', alpha=0.5, label='展开点 x=0') plt.xlabel('x') plt.ylabel('f(x)') plt.title('泰勒展开逼近 $e^x$：阶数越高，逼近范围越广') plt.legend() plt.grid(True, alpha=0.3) plt.show()

运行这段代码，你会清晰地看到：在x=0附近，即使只有3阶多项式，也已经和e^x几乎重合。但一旦x远离0点，低阶多项式的误差就会迅速拉大，而5阶多项式则能在更大的范围内保持较好的拟合。这揭示了一个关键点：泰勒展开是一种“局部”逼近，它在展开点附近效果极佳，但距离越远，所需阶数越高。

2.2 傅里叶级数：用“正弦波”分解周期信号

如果说泰勒展开擅长处理局部平滑的函数，那么傅里叶级数则是处理周期性现象的王者。它的核心思想是：任何周期性的波动，无论多复杂，都可以分解成一系列不同频率、不同振幅的简单正弦波和余弦波的叠加。

生活类比：这就像一位调音师在分析一段复杂的音乐。他听到的是一段完整的和弦或旋律（复杂周期函数）。但他的耳朵（或仪器）能将其分解成多个单一频率的声音：一个厚重的低音（基频）、一个明亮的中音（二次谐波）、一个清脆的高音（三次谐波）等等。每个单一频率的声音就是一个纯净的正弦波（基函数）。这段复杂音乐，就是所有这些纯净正弦波以特定强度（系数）同时播放的结果。调音师通过调整各个音轨的音量（系数），就能精确地重建或修改那段音乐。

数学核心：傅里叶级数的基函数是sin(nωt)和cos(nωt)，其中n是整数，ω是基频。a_n和b_n就是我们需要学习的系数，它们代表了每个频率分量所占的“权重”。

下面的代码演示了如何用三个不同频率的正弦波，合成一个新的波形。

import numpy as np import matplotlib.pyplot as plt # 时间轴 t = np.linspace(0, 4*np.pi, 1000) omega = 1 # 基频 # 定义三个简单的“基函数”——正弦波 base_wave1 = np.sin(omega * t) # 基波 base_wave2 = 0.5 * np.sin(2*omega * t) # 二次谐波，振幅减半 base_wave3 = 0.3 * np.sin(3*omega * t) # 三次谐波，振幅更小 # 线性组合：合成复杂波形 complex_wave = base_wave1 + base_wave2 + base_wave3 # 可视化 fig, axes = plt.subplots(4, 1, figsize=(12, 8), sharex=True, gridspec_kw={'hspace': 0.4}) axes[0].plot(t, base_wave1, 'b-', label='基波: sin(t)') axes[0].set_ylabel('振幅') axes[0].legend() axes[0].set_title('基函数1') axes[1].plot(t, base_wave2, 'g-', label='二次谐波: 0.5*sin(2t)') axes[1].set_ylabel('振幅') axes[1].legend() axes[1].set_title('基函数2') axes[2].plot(t, base_wave3, 'r-', label='三次谐波: 0.3*sin(3t)') axes[2].set_ylabel('振幅') axes[2].legend() axes[2].set_title('基函数3') axes[3].plot(t, complex_wave, 'k-', linewidth=2, label='合成波') axes[3].plot(t, base_wave1, 'b:', alpha=0.5) axes[3].plot(t, base_wave2, 'g:', alpha=0.5) axes[3].plot(t, base_wave3, 'r:', alpha=0.5) axes[3].set_xlabel('时间 [弧度]') axes[3].set_ylabel('振幅') axes[3].legend() axes[3].set_title('线性组合结果: 基波 + 二次谐波 + 三次谐波') plt.suptitle('傅里叶级数思想：复杂波形由简单正弦波叠加而成', fontsize=14) plt.show()

你会发现，合成后的黑色波形已经不再是简单的正弦曲线，它有了更丰富的细节和特征。傅里叶级数的强大之处在于，理论上，只要使用足够多的正弦余弦波（足够高的阶数），就能以任意精度表示任何周期函数。这是一种全局逼近，关注的是整个周期内的整体形态。

2.3 球谐函数：将“基函数组合”思想推向球面

现在，让我们把视角从一维的数轴、二维的时间轴，提升到三维的球面。球谐函数要解决的问题是：如何表示一个定义在球面（所有可能的方向）上的函数？例如，地球表面的温度分布、一个星球的光照强度，或者——对于我们最关键的——一个三维物体表面从不同方向看过去的颜色。

核心直觉：球谐函数就是定义在球面上的傅里叶级数。傅里叶级数用不同频率的正弦波作为基函数，来分解一维周期信号。球谐函数则用一组定义在球面上的特殊正交函数（Y_l^m(θ, φ)）作为基函数，来分解球面上的二维信号（比如颜色分布）。

为什么是“球面”？因为观察方向可以用一个单位向量表示，这个向量的所有可能终点，就构成了一个球面。θ（极角）和 φ（方位角）就是这个球面上的坐标。

基函数长什么样？球谐函数的基函数Y_l^m看起来比正弦波复杂，它们是由连带勒让德多项式和三角函数组合而成的。但我们可以直观地理解它们：每个Y_l^m都代表了球面上一种特定的“振动模式”。

• 阶数l：决定了模式的“复杂程度”。l=0是常数函数（整个球面一个值）；l=1是类似“偶极子”的分布（正负半球）；l=2是“四极子”模式；l越高，模式在球面上的变化就越快、越精细。
• 次数m：在同一个阶数l下，m从-l变化到l，它决定了这种“振动模式”在方位角 φ 方向上的具体形态，可以理解为不同的“谐波”。

下面的表格对比了这三种逼近方法，帮你快速建立联系：

所以，当你看到球谐函数那复杂的公式时，心里可以把它想象成一套标准的、覆盖整个球面的“图案模板库”。而我们要表示的任何球面函数（比如颜色分布），都可以看作是这些标准模板以不同权重复合叠加的结果。阶数l决定了我们模板库的“精细度”，l越大，模板的细节越多，能表达的颜色变化就越复杂。

3. 3DGS中的球谐函数：如何让颜色“活”起来

理解了球谐函数作为“球面图案模板库”的本质，我们现在来看看3DGS是如何巧妙地运用这个工具，解决“颜色随视角变化”这个核心渲染问题的。

3.1 从固定颜色到方向函数

在传统的点云或体素渲染中，一个3D点通常只有一个固定的RGB颜色。这显然不符合现实世界中的非朗伯体表面特性。现实中的物体，如金属、陶瓷、水面、丝绸，其颜色和亮度会随着你观察角度的改变而发生显著变化（即视角依赖的外观）。

3DGS的每个高斯椭球，本质上是一个微小的、可学习的局部表面元。如果只给它一个固定颜色，渲染出来的物体就会像塑料或石膏一样，缺乏光泽和质感。为了让渲染结果逼真，我们必须为每个高斯赋予一个颜色函数：c = f(θ, φ)，其中输入是观察方向(θ, φ)，输出是RGB颜色。

直接学习一个任意的、从方向到颜色的映射函数是极其困难的，因为这是一个无限维的问题。而球谐函数提供了一条完美的捷径：我们不需要直接学习这个复杂的函数f，只需要学习一组有限的系数，用这组系数去组合已知的球谐基函数，从而间接地表达f。

具体操作如下：

1. 确定阶数L：3DGS原始论文默认使用3阶球谐函数。这意味着我们使用从l=0到l=3的所有基函数。每个l对应(2l+1)个基函数（m从-l到l）。所以总基函数数量为：1 (l=0) + 3 (l=1) + 5 (l=2) + 7 (l=3) =16个。
2. 为每个高斯学习一组系数：对于每个高斯椭球，我们不再只存储一个RGB向量，而是存储16组RGB系数。每一组系数(c_l^m_R, c_l^m_G, c_l^m_B)对应一个基函数Y_l^m在红、绿、蓝三个颜色通道上的权重。
3. 渲染时实时计算：当我们需要从某个特定方向d = (θ, φ)渲染这个高斯时，我们就做一次“查表+加权求和”：
   • “查表”：根据方向(θ, φ)，计算出那16个球谐基函数Y_l^m(θ, φ)的值。这一步是纯数学计算，不包含任何可学习参数，速度很快。
   • “加权求和”：将这个高斯存储的16组RGB系数，分别与对应的基函数值相乘，然后对所有结果求和，最终得到这个方向上的预测RGB颜色。

用公式表示就是：颜色(θ, φ) = Σ_{l=0}^{3} Σ_{m=-l}^{l} (系数_RGB_l^m) * Y_l^m(θ, φ)

这个过程，完全类比于傅里叶级数：系数是我们需要学习的“乐谱”，基函数值是固定不变的“音符”，而渲染就是根据当前“时间”（观察方向）演奏出对应的“旋律”（颜色）。

3.2 系数学习与可视化理解

在3DGS的训练过程中，优化器（如Adam）会不断地调整每个高斯的这16组RGB系数。训练的目标是：对于所有训练图片，从图片对应的相机视角方向去计算每个高斯贡献的颜色，并将所有高斯混合后的结果，与训练图片的像素颜色尽可能匹配。

一开始，这些系数是随机初始化的，所以预测的颜色乱七八糟。随着训练迭代，优化器通过梯度下降，逐步调整这些系数，使得球谐函数的加权和（即预测的颜色函数）越来越接近该高斯点在真实世界中从各个角度被观察到的颜色。

为了让你对3阶球谐函数（16个基函数）的表达能力有个直观感受，我们可以看看它们各自代表的“图案模板”是什么样子。下面的代码可视化前几阶的实值球谐基函数（3DGS中使用的是实值形式）。

import numpy as np import matplotlib.pyplot as plt from matplotlib import cm from scipy.special import sph_harm # 生成球面坐标网格 theta = np.linspace(0, np.pi, 100) # 极角 [0, pi] phi = np.linspace(0, 2*np.pi, 100) # 方位角 [0, 2pi] Theta, Phi = np.meshgrid(theta, phi) # 转换为笛卡尔坐标用于3D绘图 X = np.sin(Theta) * np.cos(Phi) Y = np.sin(Theta) * np.sin(Phi) Z = np.cos(Theta) # 选择要可视化的几个低阶基函数 harmonics_to_plot = [(0,0), (1,0), (1,1), (2,0), (2,2)] # (l, m) 组合 fig = plt.figure(figsize=(15, 8)) for idx, (l, m) in enumerate(harmonics_to_plot): ax = fig.add_subplot(2, 3, idx+1, projection='3d') # 计算球谐函数值 (使用实部) Ylm = sph_harm(abs(m), l, Phi, Theta) if m < 0: Ylm = np.sqrt(2) * (-1)**m * Ylm.imag elif m > 0: Ylm = np.sqrt(2) * (-1)**m * Ylm.real else: Ylm = Ylm.real # 将函数值映射为颜色和径向距离 # 颜色表示正负（红正，蓝负），径向距离表示绝对值大小 norm = Ylm / np.max(np.abs(Ylm)) if np.max(np.abs(Ylm)) > 0 else Ylm facecolors = cm.coolwarm((norm + 1) / 2) # 归一化到[0,1]用于着色 R = 0.5 + 0.5 * np.abs(norm) # 半径在0.5到1之间变化，体现振幅 X_plot = R * X Y_plot = R * Y Z_plot = R * Z surf = ax.plot_surface(X_plot, Y_plot, Z_plot, facecolors=facecolors, rcount=50, ccount=50, linewidth=0, antialiased=True, shade=False) ax.set_title(f'$Y_{{{l}}}^{{{m}}}$', fontsize=16) ax.set_axis_off() ax.view_init(elev=20, azim=45) plt.suptitle('低阶球谐基函数可视化 (颜色表示正负，形状表示振幅)', fontsize=18) plt.tight_layout() plt.show()

运行这段代码，你会看到几个像气球一样的3D形状。Y_0^0是一个均匀的球，代表常数项。Y_1^0像一个“哑铃”，从北极到南极由正变负。Y_2^2则呈现出更复杂的四叶草形状。这些形状就是我们的“模板”。3DGS学习到的系数，决定了在最终的颜色函数中，每个模板的“贡献”有多大。低阶（l=0,1）的模板捕捉大范围的、平滑的颜色变化（比如漫反射底色）；高阶（l=2,3）的模板则捕捉更快速的、细节的颜色变化（比如高光、镜面反射的细节）。

3.3 工程实现中的关键细节与效率考量

在实际的3DGS代码实现中，球谐函数的应用有几个非常精妙且实用的设计，这些设计平衡了表达能力和计算效率。

1. 使用实数形式与预计算原始的球谐函数定义中包含复数。但在计算机图形学中，我们处理的是实数值（RGB颜色）。因此，3DGS使用的是实值球谐函数，它是复值球谐函数的线性组合，确保输出是实数。更重要的是，由于基函数Y_l^m(θ, φ)只依赖于方向，而与具体的高斯点无关，因此可以预计算。

在渲染时，对于给定的观察方向d（通常是相机到高斯中心的单位向量），我们只需要计算一次这16个基函数的值，得到一个长度为16的向量SH_basis。然后，对于视线方向上的每一个高斯点，我们执行一次高效的点积操作：颜色 = (高斯点的16个RGB系数) · SH_basis。这相当于一次小型矩阵乘法，在现代GPU上可以并行化处理成千上万个高斯点，速度极快。

2. 阶数的选择：3阶的权衡为什么是3阶，而不是2阶或4阶？这是一个经典的精度与存储/计算开销的权衡。

• 0阶：退化为固定颜色，无视角变化。
• 1阶：能表达简单的颜色梯度（类似线性变化），可以模拟基本的漫反射 shading。
• 2阶：可以表达更丰富的二次变化，能开始捕捉一些简单的高光效果。
• 3阶：论文实验表明，3阶已经能够很好地表达大多数场景中视角依赖的外观，包括较为复杂的高光和材质变化。
• 4阶及以上：表达能力更强，但每个高斯需要存储的系数数量急剧增加（4阶需要25组RGB系数）。这会显著增加显存占用和计算量，但对最终渲染质量的提升在多数场景下边际效益递减。

因此，3阶是一个经过实践验证的“甜点”。下表对比了不同阶数的开销：

3. 与高斯椭球属性的协同球谐系数是高斯的可学习属性之一，与其他属性（如位置、协方差矩阵定义的椭球形状、不透明度）一起被优化。在可微分渲染的框架下，从像素颜色损失反向传播的梯度，会同时更新高斯的形状、位置和它的球谐系数。这意味着，系统会自动学习将颜色变化与几何形状对齐。例如，一个代表金属边缘的高斯，其球谐系数会学习到强烈的镜面反射模式；而一个代表粗糙墙面的高斯，其系数则更接近漫反射的平缓模式。

4. 从理论到代码：一个极简的球谐颜色计算示例

为了彻底打通“最后一公里”，让我们抛开庞大的3DGS框架，写一个最核心的、计算给定方向球谐颜色的Python函数。这将让你亲手触摸到理论的实现。

假设我们已经有了一个高斯点的16组RGB系数（这里为了演示，我们随机生成），以及一个归一化的观察方向向量view_dir。我们的任务是计算这个方向上的颜色。

import numpy as np import math def compute_sh_basis(view_dir, max_degree=3): """ 计算3阶实值球谐基函数在给定方向上的值。 参数: view_dir: 归一化的3D观察方向向量 (x, y, z)。 max_degree: 球谐最大阶数，默认为3。 返回: basis: 长度为 (max_degree+1)^2 的向量，包含所有基函数值。 """ x, y, z = view_dir # 确保是单位向量 norm = np.sqrt(x*x + y*y + z*z) if norm > 0: x, y, z = x/norm, y/norm, z/norm # 预计算一些常用值，提升效率 x2, y2, z2 = x*x, y*y, z*z xy, xz, yz = x*y, x*z, y*z x2_y2 = x2 - y2 z2_3 = 3*z2 - 1 # 用于l=2, m=0的简化计算 # 初始化基函数列表，顺序为: l=0; l=1(m=-1,0,1); l=2(m=-2,-1,0,1,2); l=3(m=-3,-2,-1,0,1,2,3) basis = [] # l=0 basis.append(0.28209479177387814) # Y00 = sqrt(1/(4pi)) # l=1 basis.append(0.4886025119029199 * y) # Y1-1 basis.append(0.4886025119029199 * z) # Y10 basis.append(0.4886025119029199 * x) # Y11 # l=2 basis.append(1.0925484305920792 * xy) # Y2-2 basis.append(1.0925484305920792 * yz) # Y2-1 basis.append(0.31539156525252005 * z2_3) # Y20 (注意：此处是简化后的实值形式) basis.append(1.0925484305920792 * xz) # Y21 basis.append(0.5462742152960396 * x2_y2) # Y22 # l=3 (3阶，共7个基函数) basis.append(0.5900435899266435 * y * (3*x2 - y2)) # Y3-3 basis.append(2.890611442640554 * xy * z) # Y3-2 basis.append(0.4570457994644658 * y * (5*z2 - 1)) # Y3-1 (简化形式) basis.append(0.3731763325901154 * z * (5*z2 - 3)) # Y30 (简化形式) basis.append(0.4570457994644658 * x * (5*z2 - 1)) # Y31 (简化形式) basis.append(1.445305721320277 * z * x2_y2) # Y32 basis.append(0.5900435899266435 * x * (x2 - 3*y2)) # Y33 return np.array(basis) def compute_color_from_sh(view_dir, sh_coeffs_r, sh_coeffs_g, sh_coeffs_b): """ 根据观察方向和球谐系数计算颜色。 参数: view_dir: 观察方向。 sh_coeffs_r/g/b: 分别为RGB通道的16个球谐系数。 返回: color: (R, G, B) 三元组，值在合理范围内（可能需后续裁剪）。 """ # 1. 计算基函数值 basis = compute_sh_basis(view_dir) # 2. 分别对RGB通道进行加权求和（点积） r = np.dot(sh_coeffs_r, basis) g = np.dot(sh_coeffs_g, basis) b = np.dot(sh_coeffs_b, basis) # 3. 通常会用sigmoid激活函数将输出约束到[0,1]范围，这里为演示省略 return np.array([r, g, b]) # ===== 模拟一个高斯点的数据 ===== # 假设我们有一个高斯点，其球谐系数是随机初始化的（实际中由优化器学习） np.random.seed(42) sh_coeffs_r = np.random.randn(16) * 0.1 # R通道的16个系数 sh_coeffs_g = np.random.randn(16) * 0.1 # G通道 sh_coeffs_b = np.random.randn(16) * 0.1 # B通道 # ===== 测试从不同方向观察该点的颜色 ===== # 定义几个不同的观察方向（单位向量） view_directions = [ np.array([0, 0, 1]), # 从正前方看 (沿z轴) np.array([1, 0, 0]), # 从右侧看 (沿x轴) np.array([0, 1, 0]), # 从上方看 (沿y轴) np.array([1, 1, 1]) / np.sqrt(3), # 从一个斜角看 ] print("模拟高斯点从不同方向观察的颜色（RGB值）:") for i, vd in enumerate(view_directions): color = compute_color_from_sh(vd, sh_coeffs_r, sh_coeffs_g, sh_coeffs_b) # 简单裁剪到[0,1]模拟sigmoid，仅用于演示 color_clipped = np.clip(color, 0, 1) print(f" 方向 {i+1} ({vd.round(2)}): R={color_clipped[0]:.3f}, G={color_clipped[1]:.3f}, B={color_clipped[2]:.3f}") print(f" (原始加权和: R={color[0]:.3f}, G={color[1]:.3f}, B={color[2]:.3f})")

这段代码做了几件关键事情：

1. compute_sh_basis函数实现了3阶实值球谐基函数的快速计算。它直接使用了预计算的常数和方向向量的分量组合，避免了复杂的三角函数和连带勒让德多项式计算，这是工程中常见的优化。
2. compute_color_from_sh函数执行核心的加权求和操作。这就是3DGS渲染管线中每个高斯点颜色计算的核心步骤。
3. 我们用随机系数模拟了一个高斯点，并计算从四个不同方向看它的颜色。你会看到，即使系数是随机的，不同方向计算出的颜色值也已经不同了。在真实的训练中，优化器会调整这些系数，使得从某个方向计算出的颜色，接近于该高斯点在该方向被拍摄到的真实颜色。

通过这个极简示例，你应该能清晰地感受到，球谐函数在3DGS中并非一个黑盒。它是一个高效的、可微分的“函数逼近器”，将方向映射到颜色的复杂问题，转化为了学习一组系数和进行快速点乘的简单问题。这种将复杂数学工具优雅地嵌入可学习框架的思路，正是3DGS乃至许多现代深度学习渲染方法成功的关键。