西蒙弗雷泽团队：如何优化VR数据效率？

这项由西蒙弗雷泽大学的王正青、吴岳帆、陈佳成、张富洋，以及Wayve公司的古田康高合作完成的研究发表于2025年1月，相关论文目前已提交arXiv预印本服务器。有兴趣深入了解的读者可以访问项目主页https://c-lift.github.io查看演示和代码。

当你戴上VR头盔，进入一个虚拟房间时，你看到的每一个角度、每一个细节都需要大量的数据来支撑。就像拍摄一部电影需要从不同角度拍摄无数镜头一样，创建一个虚拟环境也需要储存海量的视觉信息。但是，如果有一种方法能够用更少的数据创造出同样真实的视觉体验呢？

西蒙弗雷泽大学的研究团队开发了一项名为CLiFT（压缩光场令牌）的技术，这就像是给虚拟现实世界找到了一种"智能压缩"的方法。他们的研究解决了一个困扰整个行业的问题：如何在保证视觉质量的同时，大幅减少存储和传输所需的数据量。

这项技术的核心创新在于，它不是简单地压缩现有的视觉数据，而是重新思考了如何表示和处理视觉信息。研究团队创造了一种新的数据结构，称为"压缩光场令牌"。这些令牌就像是视觉信息的"精华版"，每个令牌都包含了场景中某个特定视角的核心信息。

更令人兴奋的是，这个系统具有极强的适应性。传统的方法就像是为每个房间定制一套家具，而CLiFT更像是一套模块化的家具系统，可以根据需要灵活组合。当你需要快速浏览时，系统会使用较少的令牌来提供基本的视觉效果；当你需要观察细节时，系统会调用更多的令牌来提供高质量的视觉体验。

在实际测试中，这项技术在RealEstate10K和DL3DV两个标准数据集上表现出色。相比现有的最先进方法，CLiFT能够用大约五分之一到七分之一的数据量实现相同的视觉质量。这就像是用一个小行李箱装下了原本需要一个大衣柜才能容纳的东西。

这项研究的意义远不止于技术层面的突破。它为虚拟现实、增强现实、在线购物中的3D展示、房地产虚拟看房等众多应用场景提供了新的可能性。当数据传输变得更加高效时，我们就能在更多设备上享受到高质量的虚拟体验，即使是在网络条件不佳的情况下。

一、化繁为简：让虚拟世界"减肥"的智慧

要理解CLiFT技术的革命性，我们需要先了解当前虚拟现实技术面临的困境。当你在手机上观看一个360度全景视频时，你可能注意到了加载速度很慢，或者画质在某些角度会突然变差。这背后的原因就是数据量的巨大挑战。

传统的虚拟现实系统就像是一个极其详细的摄影展。为了让观众能够从任何角度观看一个场景，系统需要储存从数百个甚至数千个不同角度拍摄的照片。每张照片都包含大量的像素信息，这些信息堆积起来就形成了一个庞大的数据库。当用户想要从某个特定角度观看时，系统需要从这个庞大的数据库中提取相应的信息，然后实时渲染出画面。

这种方法的问题显而易见。首先，存储成本巨大。一个普通的房间场景可能需要几十GB甚至上百GB的数据来完整表示。其次，传输效率低下。当你想要在手机上浏览这样的场景时，需要下载大量数据，这在网络条件不佳时几乎是不可能的。最后，处理速度受限。即使数据已经下载到设备上，实时渲染这些复杂的场景也需要强大的计算能力。

研究团队意识到，问题的根源在于传统方法的"暴力"思维。就像拍摄一部电影时，我们不需要记录摄影棚中每一个分子的位置一样，在虚拟现实中，我们也不需要储存每一个像素的完整信息。关键是要找到一种方法，能够提取出真正重要的信息，同时丢弃那些对最终效果影响不大的冗余数据。

CLiFT技术的核心思想就是重新定义什么是"重要的"信息。传统方法把注意力集中在像素级别的细节上，而CLiFT则从更高的层次来理解场景。它不再关心每个像素的具体颜色值，而是关注场景中的光线如何从不同角度穿过空间，以及这些光线如何携带视觉信息。

这种思维转变带来了巨大的效率提升。研究团队发现，在大多数实际场景中，真正影响视觉效果的信息只占全部数据的一小部分。大量的像素信息实际上是重复的或者可以通过智能算法推断出来的。通过识别和保留这些关键信息，CLiFT能够用原来十分之一甚至更少的数据量来重建出视觉质量相当的场景。

更重要的是，CLiFT不仅仅是一个压缩技术，它还是一个智能的自适应系统。当你在虚拟环境中快速移动时，系统会自动降低细节级别来保证流畅性；当你停下来仔细观察某个物体时，系统会自动提高该区域的渲染质量。这种动态调整能力使得用户能够在不同的使用场景下都获得最佳的体验。

二、从光线到令牌：重新定义虚拟世界的"DNA"

要真正理解CLiFT技术的工作原理，我们需要深入了解它如何将复杂的视觉信息转化为高效的数据结构。这个过程就像是将一本厚重的百科全书转化为一套精心设计的索引卡片系统。

传统的虚拟现实系统在处理视觉信息时采用的是"像素优先"的方法。每个像素都被当作一个独立的信息单元，系统需要记录每个像素在不同光照条件下、从不同角度观看时的颜色值。这就像是为一幅画的每个颜色点都写一份详细的说明书，包括它在不同光线下的表现、与周围颜色的关系等等。

CLiFT采用了一种完全不同的方法，它从"光线"的角度来理解场景。在现实世界中，我们之所以能够看到物体，是因为光线从光源出发，经过物体表面的反射或折射，最终到达我们的眼睛。CLiFT技术模拟了这个过程，但它不是记录每条光线的完整信息，而是识别出那些对最终视觉效果最重要的"代表性光线"。

这个过程的第一步是多视角编码。系统会从多个角度拍摄同一个场景，就像是一个摄影师围绕着一个雕塑不断移动拍摄一样。但与普通摄影不同的是，系统不仅记录了每个角度的图像，还记录了每条光线的几何信息，包括它的起始位置、方向、以及携带的颜色信息。

接下来是最关键的步骤：潜在空间聚类。这个过程就像是在一个巨大的图书馆中寻找主题相似的书籍，然后将它们归类到同一个书架上。系统会分析所有的光线信息，识别出那些携带相似视觉信息的光线，并将它们组织成群组。每个群组的"代表"就是一个光场令牌（LiFT）。

这种聚类方法的智能之处在于，它不是简单地按照空间位置来分组，而是根据光线携带的视觉信息的相似性来分组。比如，在一面白墙上，即使是来自不同位置的光线，只要它们携带的视觉信息相似（都是白色、纹理相同），就会被归为同一组。这样就大大减少了需要储存的令牌数量。

第三步是神经压缩。这个过程就像是将一整本书的内容压缩成一个精炼的摘要，但这个摘要包含了重建原始内容所需的所有关键信息。系统使用一个专门设计的神经网络来完成这个任务。这个网络不仅能够识别出每个令牌群组中的重要信息，还能够学习如何将多个令牌的信息融合成一个更加紧凑的表示。

神经压缩的过程特别有趣。系统会让每个代表性令牌与其群组中的其他令牌"对话"，通过这种"对话"，代表性令牌能够学习到整个群组的共同特征。然后，系统会将这些学习到的特征编码成一个高度压缩的数据结构，这就是最终的压缩光场令牌（CLiFT）。

整个过程的结果是一个极其高效的场景表示方法。原本需要数千个像素信息才能表示的场景区域，现在只需要一个或几个CLiFT令牌就能够重建出来。而且，这种压缩是"有损但智能"的——它会丢弃那些对最终视觉效果影响不大的细节，但会保留所有对用户体验至关重要的信息。

三、智能渲染：按需分配的视觉盛宴

CLiFT技术最令人印象深刻的特性之一是它的智能渲染能力。这就像是一个非常聪明的餐厅服务员，能够根据每位客人的需求和当前的厨房状况，动态调整菜品的分量和精细程度。

传统的虚拟现实系统就像是一个只会做满汉全席的厨师，无论客人是想要简单的快餐还是精致的正餐，它都会提供同样复杂和资源密集的体验。这种"一刀切"的方法在很多情况下都是浪费的。比如，当用户在虚拟环境中快速移动时，他们实际上不需要看到每个细节；但当他们停下来仔细观察某个物体时，他们就需要更高的视觉质量。

CLiFT的智能渲染系统解决了这个问题。它能够根据当前的情况动态调整使用的令牌数量和质量。这个系统的核心是一个灵活的令牌选择算法，它就像是一个智能的调度系统，能够根据用户的需求和设备的能力来分配计算资源。

当用户指定了一个新的观看角度时，系统首先会分析这个角度的特点。它会考虑用户是在快速浏览还是在详细观察，当前的网络条件如何，设备的计算能力如何，以及用户之前的行为模式等因素。基于这些信息，系统会决定使用多少个CLiFT令牌来渲染这个视角。

令牌选择过程特别巧妙。系统不是随机选择令牌，而是根据它们与目标视角的相关性来进行选择。它会优先选择那些对当前视角最重要的令牌，就像是一个摄影师在拍摄时会优先考虑主要的光源和关键的构图元素一样。

这个选择过程还考虑了空间覆盖的均匀性。系统会确保选择的令牌能够覆盖整个视野，避免出现某些区域信息缺失的情况。同时，它还会根据场景的复杂程度来调整令牌的分布密度。在纹理复杂的区域，系统会分配更多的令牌；在相对简单的区域，系统会使用较少的令牌。

渲染过程本身也体现了CLiFT技术的智能性。系统使用了一个专门设计的神经网络渲染器，这个渲染器能够处理可变数量的输入令牌。传统的渲染器就像是一个只能处理固定配料的烹饪机器，而CLiFT的渲染器更像是一个经验丰富的厨师，能够根据现有的材料创造出美味的菜肴。

这种灵活性带来了巨大的实用价值。在网络条件良好、设备性能强大的情况下，系统可以使用更多的令牌来提供高质量的视觉体验。在网络条件较差或设备性能有限的情况下，系统可以使用较少的令牌来保证流畅的交互体验。用户甚至可以根据自己的偏好来调整这个平衡点。

更重要的是，这种调整是实时进行的。当用户在虚拟环境中移动时，系统会不断地重新评估当前的情况，并相应地调整令牌的使用策略。这确保了用户始终能够获得最适合当前情况的视觉体验。

四、实验验证：数据说话的真实表现

要验证CLiFT技术的实际效果，研究团队进行了大量的实验测试。这些实验就像是给一款新车进行全面的路试，需要在各种不同的条件下测试其性能表现。

实验使用了两个广泛认可的数据集：RealEstate10K和DL3DV。RealEstate10K包含了大量的房地产内景视频，这些视频展示了各种不同风格和布局的室内空间。DL3DV则包含了更加多样化的场景，从室内到室外，从简单到复杂，覆盖了各种不同的视觉情况。选择这两个数据集的原因是它们在学术界被广泛使用，这使得不同方法之间的比较更加公平和有意义。

在实验设置方面，研究团队采用了非常严格的标准。他们不仅要确保CLiFT技术在理想条件下表现良好，还要测试它在各种挑战性情况下的表现。比如，当输入图像数量有限时，当观看角度与训练数据差异较大时，当场景包含复杂的光照变化时等等。

实验结果令人印象深刻。在RealEstate10K数据集上，CLiFT技术能够用大约1.8倍少于当前最先进方法LVSM的数据量实现相同的视觉质量。与另外两个主流方法MVSplat和DepthSplat相比，数据量的减少更加显著，达到了5到7倍的压缩比。这意味着原本需要50GB存储空间的场景，现在只需要7到10GB就能够实现相同的视觉效果。

更重要的是，CLiFT技术在保持高压缩比的同时，在某些情况下甚至能够提供更好的视觉质量。这听起来似乎违反直觉，但实际上反映了CLiFT技术的一个重要优势：它能够更好地捕捉场景的本质特征，而不是简单地记录表面的像素信息。

在渲染速度方面，CLiFT技术也表现出色。当使用较少的令牌时，渲染速度可以提高66%，同时视觉质量只有轻微的下降。这种性能上的灵活性使得CLiFT技术能够适应各种不同的应用场景，从需要高质量视觉效果的专业应用到需要流畅交互体验的移动设备应用。

研究团队还进行了详细的消融实验，这些实验就像是拆解一个复杂的机器来理解每个部件的作用。他们分别测试了潜在空间聚类和神经压缩两个关键组件对整体性能的贡献。结果显示，这两个组件都对最终的效果有重要贡献，但它们的作用在不同的压缩级别下有所不同。

在低压缩比的情况下，两个组件的效果相近，这是因为即使是随机选择的令牌也能够提供相对完整的场景信息。但在高压缩比的情况下，潜在空间聚类的作用就变得非常重要。如果没有智能的令牌选择，系统就无法用有限的令牌来准确重建场景。

神经压缩的作用则更加微妙但同样重要。它不仅能够减少每个令牌的数据量，还能够提高令牌之间的协调性。这就像是一个优秀的管弦乐队指挥，不仅能够确保每个乐器都发挥出最佳水平，还能够让整个乐队的演奏更加和谐统一。

五、技术细节：深入理解CLiFT的工作机制

要完全理解CLiFT技术的革命性，我们需要深入探讨它的技术实现细节。这就像是了解一台精密手表的内部结构，每个齿轮和发条都有其独特的作用和价值。

CLiFT技术的训练过程采用了一个巧妙的两阶段策略。第一阶段就像是让一个学生先学会基本的绘画技能，系统会学习如何从多个视角的图像中提取有用的信息。在这个阶段，系统的多视角编码器会处理输入的图像，将每个图像的每个像素转换为一个包含几何和颜色信息的令牌。

这个转换过程特别有趣。系统不是简单地记录每个像素的颜色值，而是将像素的颜色信息与其对应的光线几何信息结合起来。每条光线都用六维的普吕克坐标来表示，这种表示方法能够完整地描述光线在三维空间中的位置和方向。然后，系统会将这些几何信息与归一化的颜色信息结合，形成一个九维的特征向量。

为了提高处理效率，系统采用了分块处理的方法。它将每个图像划分为8×8的小块，每个小块包含64个像素。这样做的好处是能够同时处理多个相邻的像素，利用它们之间的空间相关性来提高编码效率。经过线性投影后，每个小块被转换为一个768维的令牌。

第一阶段的训练目标是让编码器能够准确地重建输入图像。这个过程就像是训练一个画家先学会临摹，只有掌握了基本的技能，才能进行更加复杂的创作。在这个阶段，系统会使用所有的令牌来进行渲染，这样能够确保编码器学会提取最有用的信息。

第二阶段的训练更加复杂和有趣。在这个阶段，系统会引入潜在空间聚类和神经压缩模块。这就像是让一个已经学会临摹的画家开始学习如何用最少的笔触来表达最丰富的内容。

潜在空间聚类使用了K-means算法的变体。这个算法会分析所有令牌的特征，找出那些特征相似的令牌群组。聚类的过程不是在原始的图像空间中进行的，而是在编码器产生的高维特征空间中进行的。这意味着系统能够识别出那些从视觉角度相似的令牌，即使它们在空间上可能相距很远。

神经压缩模块的设计特别巧妙。它使用了一个轻量级的Transformer架构，这个架构包含两个解码器块。每个块都包含了自注意力机制和交叉注意力机制。自注意力机制让不同的质心令牌能够相互交换信息，而交叉注意力机制则让每个质心令牌能够从其对应的群组中学习信息。

这种设计的核心思想是让质心令牌成为其群组的"代表"。通过交叉注意力机制，质心令牌能够学习到群组中所有令牌的共同特征和独特信息。然后，通过自注意力机制，不同的质心令牌之间能够协调配合，确保整个场景的一致性和完整性。

为了保持训练的稳定性，系统还使用了一个零初始化的线性层。这个设计确保了在训练初期，神经压缩模块不会对已经训练好的编码器产生干扰。随着训练的进行，这个模块会逐渐学会如何有效地压缩和整合信息。

在渲染阶段，系统使用了一个同样基于Transformer的渲染器。这个渲染器的输入是选定的CLiFT令牌，输出是目标视角的图像。渲染器的设计允许它处理可变数量的输入令牌，这为系统的灵活性提供了技术基础。

令牌选择算法是整个系统的另一个关键组件。这个算法需要在给定的令牌数量限制下，选择出最有利于渲染目标视角的令牌组合。算法首先将目标视角划分为一个24×24的网格，然后为每个网格区域选择最相关的令牌。选择的标准基于光线几何信息的相似性，以及之前帧的信息，以确保渲染的时间一致性。

六、实际应用：改变世界的可能性

CLiFT技术的意义远远超出了学术研究的范畴，它为众多实际应用场景带来了新的可能性。这就像是发明了一种新的交通工具，不仅能够更快地到达目的地，还能够开启之前无法想象的旅程。

在房地产行业，CLiFT技术可能会彻底改变虚拟看房的体验。传统的虚拟看房系统需要大量的存储空间和带宽来传输高质量的3D场景数据。这意味着用户经常需要等待很长时间才能加载一个房间，或者在网络条件不佳时只能观看模糊的画面。CLiFT技术能够将这些问题降到最低，让用户即使在手机上也能够流畅地浏览高质量的虚拟房屋。

更重要的是，CLiFT的自适应特性使得房地产平台能够为不同的用户提供个性化的体验。当用户只是想要快速浏览多个房源时，系统可以使用较少的令牌来提供快速的预览；当用户对某个房源特别感兴趣时，系统可以调用更多的令牌来提供细致的观察体验。这种灵活性不仅提高了用户体验，还能够帮助平台节省大量的服务器和带宽成本。

在电子商务领域，CLiFT技术同样具有巨大的应用潜力。在线购物的一个主要挑战是用户无法实际触摸和检查商品。虽然现在很多平台都提供了360度产品展示功能，但这些功能通常需要大量的图像数据，加载速度慢，而且在移动设备上的表现往往不佳。

CLiFT技术可以为每个商品创建一个高效的3D表示，让用户能够从任何角度观察商品的细节。而且，由于数据量的大幅减少，这种体验可以在各种设备上流畅运行，包括配置较低的智能手机。这对于提高在线购物的用户满意度和降低退货率都有重要意义。

在娱乐和游戏行业，CLiFT技术的影响可能更加深远。传统的游戏开发需要为每个场景创建大量的图形资源，这不仅需要大量的开发时间和成本，还限制了游戏的复杂度和规模。CLiFT技术提供了一种新的可能性：开发者可以通过拍摄真实场景来快速创建游戏内容，而且这些内容可以在各种设备上高效运行。

这种技术对于独立游戏开发者特别有价值。他们通常没有大型工作室的资源来创建复杂的3D场景，但通过CLiFT技术，他们可以用相对简单的方式创建高质量的游戏内容。这可能会催生一个全新的游戏开发生态系统，降低游戏开发的门槛，让更多的创意得以实现。

在教育领域，CLiFT技术可以为远程教育和虚拟实验室提供新的解决方案。传统的虚拟实验室通常需要强大的计算资源和高速网络连接，这限制了它们的普及。CLiFT技术可以让学生即使在普通的设备上也能够进行高质量的虚拟实验和学习体验。

医疗行业也可能从CLiFT技术中受益。医生可以使用这种技术来创建患者器官或病变的3D模型，这些模型可以在不同的设备上共享和观察，有助于远程诊断和医学教育。由于数据量的减少，这些模型可以更容易地在医疗网络中传输和存储。

在自动驾驶领域，CLiFT技术可能为仿真和测试提供新的工具。自动驾驶系统需要在各种不同的环境中进行测试，但在真实世界中进行这些测试既昂贵又危险。CLiFT技术可以帮助创建高效的虚拟测试环境，让自动驾驶系统能够在各种模拟场景中进行训练和测试。

七、挑战与局限：技术发展的现实考量

尽管CLiFT技术展现出了巨大的潜力，但就像任何新技术一样，它也面临着一些挑战和局限性。了解这些限制对于正确评估技术的当前状态和未来发展方向非常重要。

研究团队在论文中坦诚地讨论了两个主要的失败模式。第一个问题出现在相机运动偏离训练数据分布的情况下。这就像是一个只学会了在平原上驾驶的司机突然遇到了山路，可能会出现不适应的情况。RealEstate10K数据集主要包含平滑的平移运动和较小的旋转，当用户进行更复杂的相机运动时，系统可能无法准确地重建场景。

这个问题反映了当前深度学习系统的一个普遍挑战：泛化能力的限制。虽然CLiFT技术在训练数据覆盖的场景下表现出色，但当面对完全不同的情况时，它可能会出现性能下降。这并不是CLiFT技术独有的问题，而是整个基于学习的计算机视觉领域都面临的挑战。

第二个问题出现在大型场景中，当目标视角没有被输入视角充分覆盖时。这种情况下，系统可能会产生模糊的渲染结果。这就像是试图通过几张局部照片来重建整个建筑物的外观，当某些区域完全没有被拍摄到时，系统只能进行猜测，结果自然会不够准确。

这个限制突出了输入数据质量和覆盖范围的重要性。虽然CLiFT技术能够在有限的输入数据基础上创建高质量的场景表示，但它仍然需要输入数据能够合理地覆盖用户可能观察的区域。这对于实际应用来说是一个重要的考虑因素。

除了这两个主要问题外，CLiFT技术还面临一些其他的技术挑战。例如，系统的训练过程相对复杂，需要大量的计算资源和时间。在RealEstate10K数据集上的训练需要大约3天时间，在DL3DV数据集上需要大约5天时间。这种训练成本可能会限制技术的快速迭代和优化。

另一个挑战是系统对于动态场景的处理能力。当前的CLiFT技术主要针对静态场景设计，对于包含运动物体的场景，系统可能无法很好地处理。这在某些应用场景中可能是一个重要的限制，比如在需要展示人物活动的虚拟环境中。

从计算资源的角度来看，虽然CLiFT技术大大减少了存储和传输的需求，但它仍然需要相当的计算能力来进行实时渲染。这可能会限制它在一些计算能力有限的设备上的应用。

数据隐私和安全也是一个需要考虑的问题。CLiFT技术需要处理大量的视觉数据，这些数据可能包含敏感信息。在某些应用场景中，如何保护用户隐私和数据安全将是一个重要的技术和法律挑战。

尽管存在这些挑战，研究团队对于技术的未来发展提出了一些有前景的方向。他们建议将生成式先验知识整合到系统中，这可能有助于解决在未见区域的渲染问题。通过结合大型生成模型的能力，系统可能能够更好地"想象"出那些没有被直接观察到的场景内容。

技术的进步往往是一个渐进的过程，每一代技术都会在前一代的基础上解决一些问题，同时可能会引入新的挑战。CLiFT技术代表了虚拟现实和计算机视觉领域的一个重要进步，虽然它目前还有一些局限性，但它为未来的研究和应用指明了一个有希望的方向。

说到底，CLiFT技术就像是给虚拟现实世界找到了一种全新的"语言"。这种语言不仅更加简洁高效，还具有前所未有的灵活性和适应性。虽然现在这种语言还需要进一步完善和优化，但它已经展现出了改变整个行业的潜力。

从用户的角度来看，CLiFT技术意味着更流畅的虚拟体验、更快的加载速度和更低的设备要求。从开发者的角度来看，它意味着更低的开发成本、更好的用户体验和更广阔的应用可能性。从整个行业的角度来看，它可能会推动虚拟现实和增强现实技术的普及，让这些技术真正走入千家万户。

研究团队在论文结尾处提到，他们的工作不仅是技术上的突破，更是对如何理解和表示视觉信息的根本性重新思考。这种思考可能会启发更多的研究者和开发者，推动整个领域向前发展。正如古人所说，"工欲善其事，必先利其器"，CLiFT技术为虚拟现实领域提供了一把全新的"利器"，相信在不久的将来，我们会看到更多基于这种技术的创新应用出现在我们的生活中。

有兴趣深入了解这项技术的读者可以访问研究团队的项目主页https://c-lift.github.io，那里有更详细的演示和技术资料。随着技术的不断发展和完善，我们有理由相信，CLiFT技术将为虚拟现实的未来带来更多的惊喜和可能性。

Q&A Q1：CLiFT技术是什么？它能解决什么问题？ A：CLiFT是一种压缩光场令牌技术，主要解决虚拟现实中数据量过大的问题。它能够用原来十分之一甚至更少的数据量创造出相同质量的虚拟场景，让用户在手机等设备上也能流畅体验高质量的虚拟内容。

Q2：CLiFT技术会不会完全取代现有的虚拟现实技术？ A：目前不会完全取代，但会显著改善现有技术的效率。CLiFT更像是一种革命性的优化技术，它能够与现有系统结合使用，大幅提高虚拟现实应用的性能和可用性。

Q3：普通用户什么时候能体验到CLiFT技术？ A：虽然技术已经在学术层面得到验证，但要成为消费级产品还需要时间。预计在未来几年内，我们可能会在房地产虚拟看房、在线购物3D展示等应用中率先看到这项技术的商业化应用。