《Annals of GIS》：Bibliometrical analysis of 3D real scene modelling based on Web of Science
编辑推荐：
3D实景模型能够生动直观地呈现城市信息的各个方面，并已在多个领域得到应用。然而，针对3D实景建模研究发展现状与趋势的定量回顾仍较为匮乏。为填补这一空白，本研究进行了文献计量分析。研究人员分析了2005年至2024年间收录于Web of Science核心合集的
3D实景模型能够生动直观地呈现城市信息的各个方面，并已在多个领域得到应用。然而，针对3D实景建模研究发展现状与趋势的定量回顾仍较为匮乏。为填补这一空白，本研究进行了文献计量分析。研究人员分析了2005年至2024年间收录于Web of Science核心合集的3701篇研究论文，并运用Bibliometrix、COOC软件和CiteSpace等文献计量工具，探究了3D实景建模领域的研究现状与热点。研究人员还识别了当前的不足与优势，并讨论了未来的研究重点和发展方向。结果表明：1）关键研究主题：主要研究重点包括以下领域：点云（point cloud）、虚拟现实（virtual reality）、三维重建（3D reconstruction）、杂乱场景（cluttered scene）、无约束视点三维物体检索（constraint-free view-based 3D object retrieval）、神经辐射场（neural radiance field）和纹理城市模型（textured urban model）。2）增长趋势：自2019年以来，对3D实景建模的研究兴趣迅速增长并持续扩大。深度学习等技术发挥了越来越重要的作用。新兴方向，如人工智能辅助建模和元宇宙（metaverse）的集成，近期已变得突出。3）高被引论文：高被引研究主要关注深度学习算法和神经辐射场等主题。本综述系统梳理了3D实景建模研究的发展轨迹，并为未来的研究和应用提供了有价值的参考。
以下是对论文主体部分内容的专业学术性总结，保留原文小标题，每段内容符合小标题，去除了引用文献标识和图示标识，专业术语附英文缩写并保留原文符号大小写和上下角标（原文无特别上下标，故按常规处理）。
**3.1.1 关键词共现分析（Keyword co-occurrence analysis）**
不同关键词在同一篇论文中的共现表明这些关键词之间存在关联。通过分析关键词的共现频率，可识别研究热点并揭示领域内的内在关系。共现频率和中心性（centrality）值越高，表明该关键词在领域中受到的关注度和影响力越大。本研究使用CiteSpace，基于3D实景研究领域的3701篇核心论文进行了共现频率和中心性聚类分析。按共现频率和中心性综合排名前十的关键词为：三维重建（3D reconstruction）、三维显示（three-dimensional displays）、深度学习（deep learning）、算法（algorithm）、重建（reconstruction）、模型（model）、特征提取（feature extraction）、虚拟现实（virtual reality）、图像重建（image reconstruction）和多视图立体（multi-view stereo）。这些关键词代表了3D实景领域的主要研究热点。根据语义，可将其分为三类：研究目标（包括三维重建和三维显示）、研究方法（包括算法、模型、虚拟现实、深度学习、图像重建和多视图立体重建）以及应用场景（以特征提取为代表）。在关键词共现网络中，节点大小表示关键词频率，节点颜色表示出现年份，红色表示近期出现的关键词（如深度学习、神经网络、LiDAR（Light Detection and Ranging, LiDAR）），紫色外环表示高中介中心性（betweenness centrality）。算法、模型和三维重建等关键词呈现显著的紫色环，表明它们在网络中连接不同研究主题中起重要桥梁作用。三维重建具有最高的出现频率、较高的中心性且出现时间较早，从2005年至今一直保持高出现和引用频率，确认为3D实景领域的核心研究热点。三维重建与神经网络、LiDAR、计算机视觉等关键词有强共现关系，且连接多为红色，表明共现主要发生在2019-2024年期间。尽管深度学习出现频率高，但中心性较低（0.01），表明其虽被广泛采用，但尚未形成连接多个子领域的强桥梁作用。
**3.1.2 关键词聚类分析（Keyword clustering analysis）**
聚类是将数据划分为不同类别的过程，同类对象具有高相似性，不同类对象具有显著差异性。关键词聚类基于关键词共现网络，将紧密相关的关键词分组并提取主题结构，直观展示领域内的主要研究主题并比较不同聚类的影响力。较小的聚类索引表示该聚类包含更多关键词且影响力更大。使用CiteSpace，关键词聚类图识别出九个主要聚类。#0点云（POINT CLOUD）聚类包含拉普拉斯方程、基准测试、对齐、聚类算法和CNN（Convolutional Neural Networks, CNN）等关键词。#1虚拟现实（VIRTUAL REALITY）聚类包含混合现实、有限体积法、精度和天线测量等。#2三维重建（3D RECONSTRUCTION）聚类包含立体匹配、三维重建、仿射运动模型、点和变分方法等。#3杂乱场景（CLUTTERED SCENE）聚类强调高效三维图像处理、点集配准、贝叶斯推断和算法。#4基于测地线的服装匹配（GEODESIC-BASED GARMENT MATCHING）聚类强调运动捕捉、基于图像的重建、深度、成本和多视图配准。#5无约束视点三维物体检索（CONSTRAINT-FREE VIEW-BASED 3-D OBJECT RETRIEVAL）聚类以三维物体检索、自由视点视频、系数、鲁棒性和图像去噪为中心。#6神经辐射场（NEURAL RADIANCE FIELD）聚类包含神经辐射场、辐射场、碰撞避免、实时渲染和基于深度图像的渲染。#7光照不变识别（ILLUMINATION INVARIANT RECOGNITION）聚类包含仿射不变性、叶面积指数、图像加密、参数估计和反射率。#8纹理城市模型（TEXTURED URBAN MODEL）聚类包含决策制定、遗传算法、客户端-服务器架构、2D GIS和三维城市建模。基于关键词聚类分析，生成了关键词聚类时间线图和关键词聚类山峰图，显示了每个聚类中关键词随时间演化的特征，以及各聚类的兴衰趋势。其中，#0点云聚类最初缓慢增长，后期强劲发展；#1虚拟现实聚类稳步发展，2014年后增长更显著；#2三维重建聚类出现较早，但近四年研究有所放缓。
**3.2 基于研究发展阶段的分阶段聚类分析（Stage-based cluster analysis of research development）**
根据文献计量理论，论文的时间分布可反映研究成熟度和水平。3D实景相关论文的累计发表量随时间呈指数增长趋势。基于年度发表量增长曲线的拐点以及代表性技术范式的出现，将发展分为三个阶段：萌芽期（2005-2013）、发展期（2014-2018）和快速增长期（2019-2024）。使用COOC生成各阶段排名前十的高频关键词雷达图，以分析研究热点演变。2005-2013年阶段，研究主要集中于计算机视觉算法、基于图像的建模和运动恢复结构（structure-from-motion）等基础技术，为后续发展奠定方法论基础。2014-2018年阶段，最突出的关键词为三维重建、多视图立体、虚拟现实、增强现实、点云、GPU（Graphics Processing Unit, GPU）、实时、Kinect和相机标定。GPU和点云的出现反映了对高性能计算和大规模三维数据处理的需求增加。2019-2024年阶段，排名前十的关键词为三维显示、深度学习、三维重建、特征提取、图像重建、实体建模、点云、任务分析、虚拟现实和相机。深度学习和特征提取的突出表明人工智能技术正日益融入3D实景研究。使用CiteSpace进行关键词突现检测，生成时间突现可视化。三维显示在2005-2024年间具有最高突现强度（20），突现期为2020-2022年。突现持续时间最长的关键词是motion（2005-2018，强度13.83）。近期的突现关键词包括深度学习、点云压缩、任务分析和语义分割，表明智能三维场景分析和处理的新兴方向。综合来看，三维重建、虚拟现实和增强实现在所有三个阶段均为研究热点。计算技术的进步带来了新方向，特别是AI辅助建模和元宇宙相关应用近年受到越来越多关注。整体上，3D实景研究正朝着大规模、高精度和实时化方向发展，研究重点从传统重建和建模逐渐扩展到智能分析和沉浸式可视化。
**4.1 领域主要期刊（Major journals in the field）**
对WOS核心合集结果的分析表明，3D实景研究涵盖计算机科学、工程学、建筑与建造技术、交通运输科学技术以及遥感等多个学科领域。该领域固有的跨学科特性，尤其是测绘科学与计算机视觉等学科的融合，推动了3D实景技术的深入研究。在WOS数据库中，按发表量排名前十的期刊中，IEEE Access以264篇排名第一，占文献总量的7.1%；ACM Transactions on Graphics以205篇排名第二，占5.5%。前十名期刊共发表1414篇，占3701篇论文的38.2%。
**4.2 领域主要出版物（Major publications in the field）**
根据WOS核心合集检索结果，列出3D实景研究领域共被引次数前十的论文。共被引频率是衡量论文学术相关性和影响力的指标。使用CiteSpace生成共被引网络图，节点大小表示被引次数，边表示论文间的关联强度，节点颜色表示引用时间的新近程度（暖色如红色表示近期引用）。被引次数最高的论文是Mildenhall B的“Research highlights: Neural radiance fields explode on the scene: technical perspective”，被引178次；其次是Müller T的“Instant Neural Graphics Primitives with a Multiresolution Hash Encoding”，被引130次；Park JJ的“An Investigation of Possible Non-Standard Photon Statistics in a Free-Electron Laser II: Theory”被引94次。在突现强度方面，Hartley Richard以26.74领先，He KM为24.65，Dai A为22.95。近年来，越来越多学者致力于基于神经辐射场的3D实景研究，深度学习等新兴计算技术的应用日益广泛深入。
**5. 挑战与未来展望（Challenges and future prospects）**
3D实景建模研究领域正处于快速发展期，进入基础技术与实际应用融合的阶段。主要挑战包括：数据采集与融合方面，多传感器数据（图像、LiDAR、深度相机）因精度、噪声和视角差异带来融合配准困难，大规模场景的数据完整性和一致性难以保证，未来可通过传感器技术进步和多传感器融合算法提高精度和鲁棒性，机器学习可自动化预处理流程。实时性与高精度平衡方面，高精度需要大量计算资源，当前重建流程仍依赖传统算法和手动参数调整，未来计算硬件和深度学习创新有望实现更智能自动化的模型优化。语义理解与结构化表示方面，当前模型多停留在表面几何和纹理的“皮肤”层面，缺乏语义和结构关系，难以支持高级任务，未来需将语义分割、目标识别、知识图谱和场景图表示融入建模流程。标准化与互操作性问题方面，数据格式、接口和算法实现缺乏统一标准，需制定统一数据交换协议和开放平台。用户交互与应用扩展方面，需将高质量3D模型与VR、AR等用户需求整合以增强沉浸感和交互性，未来可在教育、文旅、工业设计等领域拓展应用。尽管存在挑战，传感器技术、云边计算、深度学习及跨学科合作的持续进步将显著拓展3D实景研究的精度、实时性、智能化和多场景部署能力。
**6. 结论（Conclusion）**
本文使用CiteSpace等工具对3D实景建模研究进行了文献计量分析。主要结论包括：当前研究热点有三维重建、三维显示、深度学习、算法、重建、模型等，关键词聚类显示主要研究主题涵盖点云、虚拟现实、三维重建、杂乱场景、神经辐射场等，其中点云聚类整体影响力最大，虽出现较晚但近年发展迅速。发展分为三个阶段：2005-2013波动发展期、2014-2018稳步增长期、2019-2024快速发展期，年发表量和累计量均呈上升趋势，2019-2024年发表量显著增加。三维显示具有最高突现强度，深度学习、点云压缩、任务分析和语义分割为近期研究热点。三维重建、虚拟现实和增强现实始终是核心主题。深度学习作用日益突出，AI辅助建模和元宇宙集成应用等新兴方向受到关注。研究重点从建模转向可视化。主要研究焦点在于算法优化和应用推广，基于深度学习的方法、基于点云的三维目标检测、室内场景建模等受到广泛关注。最高被引论文为Mildenhall B的工作，Müller T、Park JJ等人的论文也有重要影响。该领域横跨多学科，测绘科学与计算机视觉的协同创新显著推动了3D实景研究。尽管面临数据采集、实时性、标准化、智能化建设及应用多样化等挑战，未来传感器、云边计算、深度学习和跨学科合作将推动高精度、智能、实时、多功能的3D实景技术发展。
