三维重建的训练和测试过程（自用）

训练过程总是在测试之前。

整体的顺序和流程是这样的：

1. 数据收集和预处理：

   • 这是整个流程的起点，收集用于训练和测试的多视角图像数据，并进行预处理，如规范化、裁剪、可能的标注等。

2. 训练（Training）：

   • 使用预处理后的数据来训练神经网络模型。在训练期间，网络通过优化参数（如权重和偏差）来学习场景的3D表示。
   • 训练过程涉及到使用已知视角的图像来训练神经网络。网络在这个阶段学习如何根据输入的3D位置和2D视角预测场景的颜色和体积密度。
   • 通过反向传播和梯度下降（或其他优化算法）来更新网络参数，以最小化预测图像和实际图像之间的差异。
   • 训练完成后，你会得到一个能够对场景进行准确表示的模型，这通常需要数小时到数天的时间，取决于数据的复杂性和网络架构。

3. 验证（Validation）（可选步骤）：

   • 在某些情况下，在开始正式的测试之前，可能会在独立的验证集上评估模型的性能。这有助于检测过拟合并调整超参数。

4. 测试（Testing）或推理（Inference）：

   • 一旦模型训练好，就可以在新的视角下进行测试，以评估模型对未知视角渲染图像的能力。
   • 在测试过程中，模型的参数是固定的，不会再进行更新。测试的目的是验证模型是否能够准确地推广到未见过的数据上。

训练是一个计算密集和时间消耗的过程，目的是构建一个能够理解场景结构的模型。而测试则是使用这个训练好的模型来进行预测，通常是计算代价较小的过程。在实际应用中，例如在游戏或者其他实时系统中，只进行测试阶段，因为训练好的模型已经集成在系统内。