3D gaussian splatting(3DGS)运行过程记录

已于 2024-03-20 19:49:41 修改
阅读量1.5k 收藏 9
点赞数 4
文章标签： python
于 2024-01-20 16:25:28 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Mekjeri/article/details/135716907
版权

1.基础配置：

ubuntu 20.04

CUDA 11.8

colmap 3.10

GPU 3080 12G

2.拉取代码

git clone git@github.com:graphdeco-inria/gaussian-splatting.git --recursive
# 或
git clone https://github.com/graphdeco-inria/gaussian-splatting --recursive

3.创建虚拟环境（创建虚拟环境失败可能和cuda版本有关，版本选择11.8）

cd gaussian-splatting
conda env create --file environment.yml
conda activate gaussian_splatting

4.制作数据集

在gaussian目录

最低0.47元/天 解锁文章
Mekjeri
关注
3D Gaussian Splatting 部署
qq_34717531的博客
09-03 4144
简介：3D Gaussian Splatting是一种用一组2d图像创建3d场景的方法，你只需要一个场景的视频或者一组照片就可以获得这个场景的高质量3d表示，使你可以从任何角度渲染它。它们是一类辐射场方法（如NeRF），但同时训练速度更快（同等质量）、渲染速度更快，并达到更好或相似的质量。3D Gaussian Splatting可以实现无界且完整的场景1080p分辨率下进行高质量实时（≥ 100 fps）视图合成。该论文获得的siggraph 2023最佳论文。
3D Gaussian Splatting
Donglitgh的博客
01-25 884
的差异作为梯度传播---->自适应密度控制调整高斯求数量---->将高斯椭球投影到像素平面。把利用SFM得到的点云坐标作为高斯椭球均值，然后初始化高斯椭球。将高斯椭球投影到像素平面---->光栅化得到。---->计算与Image。每个点的高斯表示中的。
自己制作数据集跑3dgs
weixin_58247017的博客
02-26 1276
在终端中运行再用ffmpeg -version！！！使用的是系统的包管理器apt来安装ffmpeg，这意味着ffmpeg将被安装到系统默认的路径中，通常所有用户和环境都可以访问这些系统级别的程序。如果您希望ffmpeg仅在某个 Conda 环境中可用，而不是系统级别，您应该在该环境中使用 Conda 来安装ffmpeg。这样，ffmpeg将只被安装在环境中，不会影响系统中的其他环境或全局设置。
3D Gaussian Splatting环境配置和运行
m0_46360757的博客
04-25 2446
使用conda命令根据environment.yml文件创建虚拟环境时，安装的pytorch是使用conda install 命令来安装的，实际上并不能成功安装带有gpu的pytorch，而这两个模块的安装依赖于带gpu的pytorch。如果不注释掉这三行，直接安装会报错
【基于3D Gaussian Splatting的三维重建】保姆级教程 | 环境安装 | 制作-训练-测试自己数据集 | torch | colmap | ffmpeg | 全过程图文by.Akaxi
最新发布
Akaxi的博客
03-16 5159
【基于3D Gaussian Splatting的三维重建】保姆级教程 | 数据集制作 | 训练可视化自己数据集 | torch | colmap | ffmpge | 全过程图文by.Akaxi
3DGS代码运行
m0_67300891的博客
01-10 823
初始三维高斯的复现实验
3DGS代码运行详细流程（部署在远程ubuntu22.04服务器）
qq_43546528的博客
05-29 2913
T&T+DB COLMAP (650MB) 这个数据集：包含了4个场景的图片，并已经通过convert.py进行colmap转换。可以直接用来做train.py训练测试。当然在这个过程中，作者提供了训练过程可视化的工具SIBR_gaussianViewer。注意这里需要选择一个特定的场景，例如这儿是playroom;直接根据environment.yml，直接执行即可，这步不做赘述；完成代码的clone后，conda环境的配置。之后就可以训练了，大概需要20多分钟。这样就能查看可视化了。
Ubuntu20.04 3DGS复现全流程
abbbbbk的博客
08-03 4500
操作系统: Ubuntu 20.04 显卡: Geforce RTX 3090 TiCUDA：11.8Anaconda3colmap: 3.9 (>3.8，不然后续运行convert.py会出问题)其它的在3dgs官方的虚拟环境中已经配置好了 直接安装官网步骤安装即可，链接如下：GitHub - graphdeco-inria/gaussian-splatting: Original reference implementation of "3D Gaussian Splatting f
【三维重建】【深度学习】windows11下3DGS官方代码Pytorch实现
yangyu0515的博客
07-11 4658
【三维重建】【深度学习】windows11下3DGS官方代码Pytorch实现
学习笔记之——3D Gaussian Splatting及其在SLAM与自动驾驶上的应用调研
gwpscut的博客
01-09 2万+
论文主页3D Gaussian Splatting是最近NeRF方面的突破性工作，它的特点在于重建质量高的情况下还能接入传统光栅化，优化速度也快（能够在较少的训练时间，实现SOTA级别的NeRF的实时渲染效果，且可以以 1080p 分辨率进行高质量的实时（≥ 30 fps）新视图合成）。开山之作就是论文“3D Gaussian Splatting for Real-Time Radiance Field Rendering”是2023年SIGGRAPH最佳论文。
3dgs代码+原理
Ajaxm的博客
11-05 6818
相信大家都听说过高斯分布。高斯分布，也叫正态分布，是一种非常常见的概率分布。如果你熟悉一维的高斯分布，可以直接跳到本章的第1节。如果你不了解高斯分布也没有关系，可以看一下下面这张图（图片来自搜狗百科）：这就是一张高斯分布的图片。图中，表示均值，表示标准差。简单来说，假设我有一个变量，它可能是任何一个实数。现在，我们假设它遵循上图这个高斯分布，那么上图中函数值越高的地方，就越有可能取到这个数值。我们可以看到，函数值最高的地方是，也就是说的值最有可能是。离越远的地方，
实验笔记之——Gaussian Splatting
gwpscut的博客
01-03 8889
之前博客对NeRF-SLAM进行了调研学习笔记之——NeRF SLAM（基于神经辐射场的SLAM）-CSDN博客NeRF 所做的任务是 Novel View Synthesis（新视角合成），即在若干已知视角下对场景进行一系列的观测（相机内外参、图像、Pose 等），合成任意新视角下的图像。传统方法中，通常这一任务采用三维重建再渲染的方式实现，NeRF 希望不进行显式的三维重建过程，仅根据内外参直接得到新视角渲染的图像。
实验笔记之——Gaussian Splatting SLAM （MonoGS）配置与测试
gwpscut的博客
03-06 8419
之前博客对基于3DGS的SLAM进行了调研学习笔记之——3D Gaussian Splatting及其在SLAM与自动驾驶上的应用调研_3d gaussian splatting slam-CSDN博客论文主页3D Gaussian Splatting是最近NeRF方面的突破性工作，它的特点在于重建质量高的情况下还能接入传统光栅化，优化速度也快（能够在较少的训练时间，实现SOTA级别的NeRF的实时渲染效果，且可以以 1080p 分辨率进行高质量的实时（≥ 30 fps）新视图合成）。
学习笔记之——3D Gaussian Splatting源码解读
热门推荐
gwpscut的博客
01-10 4万+
高斯模型的初始化，初始化过程中加载或定义了各种相关的属性使用的球谐阶数、最大球谐阶数、各种张量（_xyz等）、优化器和其他参数。self.active_sh_degree = 0 #球谐阶数self.max_sh_degree = sh_degree #最大球谐阶数# 存储不同信息的张量（tensor）self._xyz = torch.empty(0) #空间位置self._scaling = torch.empty(0) #椭球的形状尺度。
python0经验小白在windows下从0开始学习3dgs
u012484514的博客
07-25 2871
python0经验小白在windows下从0开始配置3dgs环境
Ubuntu20.04+Quadro RTX 5000，3D gaussian环境配置
weixin_44368569的博客
09-10 8500
2020年，NeRF的出现之际引起了轩然大波，出现了大量相关工作。3D gaussian算是新视角生成领域目前的SOTA，可以进行实时的渲染；最大训练速度上可以与Instant相当，且质量差不多；增加迭代次数后，可以显著提高重建质量，在训练时间51min的情况下，重建效果可以稍微超过Mip-NeRF（48h）。这种好东西谁不想学习下呢，所以我们先进行第一步：配置3D gaussian环境。我当前的环境为ubuntu 20.04+Quadro RTX 5000。
【3DGS】Ubuntu20.04系统搭建3D Gaussian Splatting及可视化环境
weixin_48400654的博客
04-19 1万+
Ubuntu20.04系统搭建3D Gaussian Splatting及可视化环境
3DGS（3D Guassian Splatting）部署验证+个人数据训练
u011833022的博客
03-06 1万+
3DGS（3D Guassian Splatting）部署验证+个人数据训练
从零3DGS部署-win10
yggfvmj的博客
05-05 2895
win10显存：1650 4GB，参考。配置环境变量后若无法识别“conda”可以重启更新。选择如上结果，点击download。选择精简版一路安装即可。，选择v8.6.0（October 3rd 2022）for CUDA 11.x。下载好后，将压缩包内\bin、\ include、\lib三个文件夹复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8目录下，选择覆盖。
ubuntu 3D Gaussian Splatting
03-12
### 实现 3D Gaussian Splatting 的准备工作 为了在 Ubuntu 上成功实现 3D Gaussian Splatting (3DGS)，需要确保操作系统环境已经准备好并安装必要的依赖项。对于 Ubuntu 22.04 版本，建议按照以下指南操作。 #### 安装基础软件包 首先更新系统的软件源列表，并安装一些基本工具和库： ```bash sudo apt-get update && sudo apt-get upgrade -y sudo apt-get install build-essential cmake git wget unzip pkg-config libopencv-dev python3-pip -y ``` #### 设置 Python 和 PyTorch 环境 由于 3D Gaussian Splatting 需要使用到 PyTorch 进行模型训练与推理，因此需先确认 CUDA 版本再选择合适的 PyTorch 版本来安装[^1]。可以通过命令 `nvcc --version` 来查看当前 GPU 所支持的 CUDA 版本号。接着通过 pip 工具来安装对应版本的 PyTorch 及其扩展组件 torchvision: ```bash pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117 ``` 这里假设使用的 CUDA 是 11.7 版本；如果不是，则应调整 URL 中 cu 后面的部分以匹配实际的 CUDA 版本。 #### 获取项目代码 从 GitHub 下载官方提供的 3D Gaussian Splatting 源码仓库： ```bash git clone https://github.com/graphdeco-inria/gaussian-splatting.git cd gaussian-splatting ``` #### 编译 C++ 组件 进入克隆下来的目录后，编译所需的 C++ 插件模块： ```bash mkdir build && cd build cmake .. make -j$(nproc) ``` 这一步骤会生成执行文件和其他必需的支持文件。 #### 准备数据集 如果打算测试自采集的数据集，在此之前还需要做额外的工作来处理这些原始图像序列或者点云数据，使其能够被算法所接受。具体方法可以参见相关文档说明[^3]。 #### 测试运行 最后，尝试启动示例程序验证整个流程是否正常工作： ```bash python3 main.py --config configs/example.yaml ``` 以上就是在 Ubuntu 平台上部署 3D Gaussian Splatting 技术的大致过程概述。需要注意的是，不同硬件配置可能会遇到不同的兼容性和性能优化问题，所以在实践中可能还需进一步调试参数设置。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值