1.基于数据驱动压缩与自适应分裂的高效三维重建方法，其特征在于，执行如下步骤S1‑步骤S7，完成对目标场景的三维重建：步骤S1：从不同视角获取目标场景的真实图像，通过SfM方法生成稀疏点云，并将稀疏点云初始化为多个3D高斯，3D高斯的属性包括在三维空间中的中心位置、大小、在空间中的形状、颜色、透明度、可学习特征；

步骤S2：构建掩码生成网络和判别网络，掩码生成网络基于3D高斯的可学习特征，选择被消除的3D高斯，基于数据驱动生成消除部分3D高斯的渲染图，输出掩码；判别网络用于判断消除部分3D高斯的渲染图与真实图像的差异；

步骤S3：构建可微光栅渲染器，用于优化3D高斯的属性；

步骤S4：随机选取一个视角，将该视角的真实图像输入可微光栅渲染器，通过可微光栅渲染器渲染该视角下的3D高斯，生成完整3D高斯渲染图；

步骤S5：掩码生成网络根据3D高斯的可学习特征和视角信息输出3D高斯的重要性评分，根据阈值生成掩码；使用生成的掩码消除特定的3D高斯；获得经过高斯消除的图像，对经过高斯消除的图像进行渲染，生成消除部分3D高斯的渲染图；

步骤S6：判别网络比较完整3D高斯渲染图、消除部分3D高斯的渲染图和真实图像；构建掩码生成网络、判别网络和场景重建的损失函数，通过反向传播，采用Adam优化器实现对掩码生成网络以及判别网络参数及3D高斯的属性迭代优化与更新优化；

步骤S7：判断是否达到预设迭代次数，若达到，则进行高斯削减阶段，基于掩码生成网络生成的掩码和重要性加权采样方法，计算3D高斯的总重要性得分，评价3D高斯对目标场景的贡献，筛选总重要性得分大于预设值的3D高斯进行保留，消除其他3D高斯，输出优化后的高斯表示；

若未达到预设迭代次数，则进行高斯增长阶段，筛选重建不完全的3D高斯，根据尺度大小进行处理，对尺度大于预设值的3D高斯进行自适应分裂，其他3D高斯则复制一份；随后返回步骤S2继续迭代，直至达到预设迭代次数，完成对目标场景的三维重建。

2.根据权利要求1所述的基于数据驱动压缩与自适应分裂的高效三维重建方法，其特征在于，步骤S1中所述的3D高斯的定义如下式：；

式中，Gi(x)为3D高斯，定义为一个具有特定属性的椭球体，x表示椭球体所在区域内的每个点，μi、Σi为3D高斯的属性，其中，μi为3D高斯在三维空间中的中心位置；Σi表示大小为 协方差矩阵，定义3D高斯的大小，以及其在空间中的形状；

3D高斯的属性还包括颜色、透明度、可学习特征，其中可学习特征Fi用九维的一阶张量表示。

3.根据权利要求1所述的基于数据驱动压缩与自适应分裂的高效三维重建方法，其特征在于，步骤S2中所述的掩码生成网络和判别网络的结构和作用如下：掩码生成网络采用tiny‑cuda‑nn实现，使用ReLU作为激活函数，掩码生成网络的输入包括3D高斯的可学习特征 、视角信息，掩码生成网络根据可学习特征决定各3D高斯应被保留或消除；掩码生成网络根据视角信息，处理3D高斯并生成消除部分3D高斯的渲染图，输出掩码；

判别网络采用卷积神经网络结构，将生成的消除部分3D高斯的渲染图与真实图像进行比较，并输出判别结果，掩码生成网络通过最小化判别网络的反馈，逐步优化生成的掩码。

4.根据权利要求1所述的基于数据驱动压缩与自适应分裂的高效三维重建方法，其特征在于，步骤S5的具体过程如下：步骤S5.1：掩码生成网络采用两层的多层感知机，记作 ，掩码生成网络输入可学习特征 和视角信息 ，生成对应的3D高斯的重要性评分 ，重要性评分生成过程如下：

；

其中， 表示将可学习特征Fi和视角信息θi进行拼接，作为掩码生成网络的输入，Ii表示3D高斯的重要性评分；

步骤S5.2：每个3D高斯的重要性评分Ii被用于生成掩码Mi，生成公式如下：；

其中， 是指示函数， 是停止梯度操作，threshold表示阈值；

阈值threshold由下式计算：

；

其中， ， ，N为当前3D高斯数量， 为比例系数，为最大3D高斯数量；

步骤S5.3:生成的掩码Mi用来选择和处理对应的3D高斯，采用阈值threshold对3D高斯进行筛选，经过筛选的3D高斯将继续通过3D高斯点算法进行渲染，生成消除部分3D高斯的渲染图。

5.根据权利要求1所述的基于数据驱动压缩与自适应分裂的高效三维重建方法，其特征在于，步骤S6中掩码生成网络的损失函数LossG如下式：；

其中， 表示可学习特征的L2范数，σ表示Sigmod操作；

判别网络的损失函数LossD如下式：

；

其中，LossR表示真实图像的损失，LossF表示消除部分3D高斯的渲染图的损失；

判别网络接收两种图像作为输入：真实图像ImgR和消除部分3D高斯的渲染图ImgF；真实图像的损失LossR和消除部分3D高斯的渲染图的损失LossF计算公式如下：；

；

其中，D(ImgR)和D(ImgF)分别表示判别网络对真实图像和消除部分3D高斯的渲染图的输出，BCE表示二元交叉熵损失，MSE表示均方误差损失；

场景重建的损失函数LossRestruction如下式：；

其中，Img表示完整3D高斯渲染图，ImgR为真实图像，λ是超参数；L1表示L1损失，SSIM表示结构相似性损失；

总损失函数Losstotal如下式：

；

其中，λG表示掩码生成网络的超参数，λD表示判别网络的超参数。

6.根据权利要求1所述的基于数据驱动压缩与自适应分裂的高效三维重建方法，其特征在于，步骤S7中的高斯增长阶段，具体包括以下过程：步骤S7.1.1：筛选出尺度大于预设值的3D高斯，定义为大高斯，使用Scharr边缘检测算子计算完整3D高斯渲染图Img和真实图像ImgR的梯度，公式如下：；

；

式中，Gimg表示完整3D高斯渲染图Img的梯度，GImgR表示真实图像ImgR的梯度；

计算梯度差异Gd：

；

步骤S7.1.2：将每个大高斯的中心位置从三维空间投影到图像平面，并在投影点计算图像梯度；如果3D高斯的投影点处的梯度差异值低于最大梯度差异的25%，则该3D高斯被标记为重建不完全，公式如下：；

式中，Threshold表示阈值；

步骤S7.1.3：使用体素网格将目标场景离散化为体素，通过计算每个体素内的3D高斯数量得出空间的密度，公式如下：；

其中，dv是体素v的密度， 是体素v中的高斯数量，vol(v)是体素v的体积；

步骤S7.1.4：针对被标记为重建不完全的大高斯，基于其所在空间的密度动态调整高斯分裂数量，高斯分裂数量的公式如下：；

其中，Ni表示第i个大高斯的分裂数量，di是第i个大高斯所在空间的密度，min(D)和max(D)分别为最小和最大空间密度；

步骤S7.1.5：筛选出尺度小于或等于预设值的3D高斯，定义为小高斯，通过反向传播计算小高斯的中心位置的梯度，判断这些梯度是否小于预设阈值，针对梯度值低于预设阈值的小高斯，执行复制操作。

7.根据权利要求1所述的基于数据驱动压缩与自适应分裂的高效三维重建方法，其特征在于，步骤S7中的高斯削减阶段，具体包括以下过程：步骤S7.2.1：在高斯削减阶段的开始，每迭代25次，掩码生成网络为每个3D高斯Gi生成其重要性评分Ii；

步骤S7.2.2：针对掩码生成网络输出的重要性评分Ii，进行二值化处理，生成掩码Mi，掩码每25次迭代生成一次；

步骤S7.2.3：每1000次迭代执行一次重要性加权采样，每次随机选择保留95%的3D高斯；计算每个3D高斯在视角j中各像素上的混合权重和命中计数；

3D高斯Gi的混合权重ωi的计算如下式：

；

其中， 是指示函数，用于判断3D高斯Gi是否与从相机中心出发穿过像素(u,v)的光线ru,v相交；σi为3D高斯Gi的不透明度，H和W分别为图像的高和宽；

3D高斯Gi的命中计数ci的计算如下式：

；

计算3D高斯Gi的总重要性得分Si如下式：

；

式中，Nv表示视角总数；

针对每个3D高斯的总重要性得分进行归一化，公式如下：；

式中， 为归一化后的3D高斯Gi的总重要性得分。

8.根据权利要求1所述的基于数据驱动压缩与自适应分裂的高效三维重建方法，其特征在于，步骤S7中的预设迭代次数为总迭代次数的一半。