植物表型特征的精准获取是作物遗传改良与精细管理的关键所在。然而，传统人工表型分析不仅劳动密集、耗时费力，且易受主观因素干扰，难以满足规模化育种的实际需求。基于RGB图像的二维方法虽成本较低，却只能提供有限的结构信息，对叶倾角、穗长等复杂构型性状的表征精度明显不足。三维重建技术能够有效恢复植株立体结构，实现高度、叶角、穗长等关键表型性状的定量测量，但传统手段如CT、结构光和激光雷达受制于设备成本、便携性与可扩展性，难以在大田场景中广泛应用。神经辐射场（NeRF）与三维高斯泼溅（3DGS）等新兴方法虽展现出良好前景，却仍面临计算效率瓶颈，且现有采集模式下相机绕植物旋转受限于硬件配置与空间条件，难以与高通量表型分析的实际需求相适配。因此，构建一种高效准确且与实际采集模式相匹配的新型三维重建框架，是突破当前植物表型分析瓶颈的重要途径。

近日，华中农业大学李林教授/李伟夫副教授团队联合湖北省农科院粮食作物研究所以及湖北汇楚智生物科技有限公司，在The Crop Journal在线发表了题为“Lightweight contour-aware 2D Gaussian splatting under Plant-to-Camera”的研究论文。该研究提出了轻量级轮廓感知的二维高斯泼溅重建策略，结合Plant-to-Camera转台采集模式与语义分割、深度估计的先验引导，成功实现了高精度、高效率的植物三维表面重建与器官级语义获取，建立了一套适配多种作物表型分析需求的新型三维重建框架。