3DGS代码复现项目理解

        我当时是跟着3D Gaussian Splatting复现-CSDN博客进行的项目复现，本文主要记录一些对3DGS的项目理解。

        代码中关键步骤主要是以下两部：

python convert.py -s data

python train.py -s data -m data/output

一、convert.py

其中convert.py中流程大致可分为以下五步

        以上前四步都是对colmap的调用，其中前两部可以调用gpu，后三部纯cpu运算。

第一步、特征提取

        从输入图像中提取特征点，将图像元信息（大小、相机）、关键点、描述子写入database.db

第二部、特征匹配

        在不同图像间匹配特征点，将图像对之间的匹配信息（匹配点对）写入database.db。我当时很好奇为什么我输入了3669张图，但是进行匹配的时候只有74张，后来了解到这是COLMAP在特征匹配阶段将图像对分组后的 ​​块数量（Blocks）​​，用于 ​​并行匹配优化​​，而非筛选后的图像数。74是分块数量​​，由COLMAP根据图像数量和硬件资源自动计算得出。COLMAP的 ​​Exhaustive Matching（穷举匹配）​​ 会：

1. ​​计算所有可能的图像对​​：对于3669张图，理论上有 3669×3668/2 ≈ 6.7百万 对需要匹配。
2. ​​分块处理​​：为避免内存爆炸和加速匹配，COLMAP将图像对划分为多个块（Blocks），每个块包含一定数量的图像对：
   • 日志中的 Matching block [1/74, 1/74] 表示当前正在匹配 ​​第1个块与第1个块​​ 的图像对。
   • 这里的 ​​74×74​​ 是分块策略的结果（总块数=74，每个块包含约 3669/74≈50 张图像）。

        避免一次性加载所有特征点导致OOM（尤其对GPU内存）。便于并行加速​​，不同块可分配到多个线程或GPU核心同时处理。​​

第三部、稀疏建图

        COLMAP 使用 Ceres Solver （非线性优化库）来执行非线性最小二乘优化，而 Ceres 是一个 纯 CPU 的库。稀疏重建是COLMAP的核心步骤，通过 ​​捆绑调整（Bundle Adj