dlhlSC的博客

1-模型训练全流程: 详细介绍NeRF模型的训练流程，包括数据准备、损失函数和优化算法等。2-模型推理流程: 解释NeRF模型的推理流程，包括如何生成高质量的图像和体积渲染结果。购买本专栏后，可通过CSDN官方在本博客最后提供的微信名片添加我，提供1v1答疑。第四章：NeRF模型训练与推理。【前方多图，流量预警！

购买本专栏后，可通过CSDN官方在本博客最后提供的微信名片添加我，提供1v1答疑。1-相机原理: 讲解相机的基本原理和参数，为后续的图像渲染和体渲染提供基础。2-图像渲染: 介绍图像渲染的基本概念和技术，包括光照模型、阴影和纹理等。3-体渲染: 探讨体渲染的基本原理和方法，包括体积数据表示和光线传播等。第三章：计算机图形学背景补充。【前方多图，流量预警！

1-模型结构: 详细介绍NeRF的模型结构，包括多层感知机（MLP）和位置编码等关键组件。购买本专栏后，可通过CSDN官方在本博客最后提供的微信名片添加我，提供1v1答疑。2-MLP+位置编码+?=NeRF: 解释MLP、位置编码和NeRF之间的关系。第二章：从纯AI视角理解NeRF。

本专栏对应视频课程位于：https://edu.csdn.net/course/detail/39038

使用OpenGL/Blender（以及原始NeRF）的坐标约定来表示相机。+X表示向右，+Y表示向上，+Z指向相机的后方和远离相机。-Z是视线方向。其他代码库可能使用COLMAP/OpenCV约定，其中Y和Z轴与本约定相反，但+X轴保持不变。

在这里我们将介绍如何从nerfstudio中导出点云和网格。您将使用的主要命令是ns-export。我们将点云导出为.ply文件，纹理网格导出为.obj文件。

Nerfstudio允许以强大的方式从CLI自定义训练和评估配置，但需要了解一些事情。CLI结构的最具示例性和有用的例子是以下命令之间输出的差异：以下内容将列出支持的模型在模型规范之后应用--help将提供模型和训练特定的参数。在命令的末尾，可以指定使用的数据解析器。默认情况下使用_nerfstudio-data_数据解析器。同时还包括其他数据解析器，如_Blender_、_NuScenes_等。要获得特定数据解析器的参数列表，请在命令的末尾添加--help。

安装Git。安装Visual Studio 2022。在安装CUDA之前必须完成此步骤。必须在“桌面开发与C++”工作流程（在BuildTools版本中称为“C++构建工具”）中包含所需的组件。Nerfstudio要求。我们建议使用conda来管理依赖关系。在继续之前，请确保安装了Conda。依赖关系PyTorch请注意，如果安装了低于2.0.1的PyTorch版本，则应卸载先前版本的pytorch、functorch和tiny-cuda-nn。基于CUDA 11.8的Torch 2.0.1安装基

在上面的代码片段中，可以使用Open3D的draw_geometries函数交互式地可视化立方体的网格。请注意，这里在PyTorch3D中使用的顶点索引是从0开始的，索引从0开始。然而，在OBJ文件中，顶点索引是从1开始的，索引从1开始。根据此处的代码片段输出，我们知道返回的vertices变量是一个形状为8 x 3的PyTorch张量，其中每一行是一个具有x、y和z坐标的顶点。在第二个示例中，我们将使用一个名为cube_texture.obj的示例文件来突出显示更多的OBJ文件特性。

但是，这次我们将获得几个PyTorch张量，例如一个用于顶点的张量和一个用于面的张量。当运行此代码片段时，返回的顶点应该是一个形状为[8, 3]的PyTorch张量 - 也就是说，有八个顶点，每个顶点有三个坐标。类似地，返回的面应该是一个形状为[12, 3]的PyTorch张量 - 也就是说，有12个面，每个面有3个顶点索引。cube.ply文件定义了一个由八个顶点和六个面组成的立方体的网格，每个面由两个面组成。例如，三个数字-1，-1，-1指定顶点的x坐标为-1，y坐标为-1，z坐标为-1。