3DGS代码运行详细流程（部署在远程ubuntu22.04服务器）

3DGS官方代码：GitHub - graphdeco-inria/gaussian-splatting: Original reference implementation of "3D Gaussian Splatting for Real-Time Radiance Field Rendering"

可以在服务器相应位置直接执行：

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

完成代码的clone后，conda环境的配置

直接根据environment.yml，直接执行即可，这步不做赘述；

之后执行train.py需要数据集-s，直接去下面这个网址下载，然后放到gaussian-splatting路径下（可以新建一个data/input的文件夹，放到这里面）：

[T&T+DB COLMAP (650MB)](https://repo-sam.inria.fr/fungraph/3d-gaussian-splatting/datasets/input/tandt_db.zip)

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。

放好数据之后就可以进行训练了：

python train.py -s XXX\tandt_db\db\playroom -m XXX\data/output

注意这里需要选择一个特定的场景，例如这儿是playroom; -m指定输出的路径

之后就可以训练了，大概需要20多分钟。

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

这个工具的下载在README里面也说得很清楚了，需要根据你服务器的版本来，例如我的ubuntu22.04，就是下面的操作：

You will need to install a few dependencies before running the project setup.
```shell
# Dependencies
sudo apt install -y libglew-dev libassimp-dev libboost-all-dev libgtk-3-dev libopencv-dev libglfw3-dev libavdevice-dev libavcodec-dev libeigen3-dev libxxf86vm-dev libembree-dev
# Project setup
cd SIBR_viewers
cmake -Bbuild . -DCMAKE_BUILD_TYPE=Release # add -G Ninja to build faster
cmake --build build -j24 --target install
``` 

依次执行就好了（其他版本参考README）

安装好之后，在训练中可以再开一个终端，进入gaussian目录下执行指令：

./SIBR_viewers/install/bin/SIBR_gaussianViewer_app -m data/output

这样就能查看可视化了。