3D Gaussian Splatting(训练评估测试生成相应的效果图和指标值)

已于 2025-04-15 18:05:14 修改
阅读量299 收藏
点赞数 8
分类专栏： NeRF代码复现 文章标签： 3d
于 2025-04-15 17:48:28 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/weixin_53765004/article/details/147254693
版权

在这里插入图片描述

目前这个可视化viewer工具在Ubuntu下好像不能用，可以运行下面代码进行渲染图片的获取

训练加评估（./data/ROF/rabbit 是 经过colmap之后的数据集路径）

 python train.py -s  ./data/ROF/rabbit --eval

渲染，path to trained model=./output/f0e0c2fd-c

在这里插入图片描述

 python render.py -m  ./output/f0e0c2fd-c

在这里插入图片描述

计算渲染的指标

python metrics.py -m ./output/f0e0c2fd-c
在这里插入图片描述

【ACM_2023】3D Gaussian Splatting for Real-Time Radiance Field Rendering
zik的博客
06-28 2110
【Project】引入了三个关键要素，能够在保持有竞争力的训练时间的同时实现最先进的视觉质量，并且重要的是允许以 1080p 分辨率进行高质量实时（≥ 30 fps）新颖的视图合成。首先，从相机校准期间产生的稀疏点开始，用 3D 高斯表示场景，保留连续体积辐射场的所需属性以进行场景优化，同时避免在空白空间中进行不必要的计算；其次，对 3D 高斯进行交错优化/密度控制，特别是优化各向异性协方差以实现场景的准确表示；第三，开发了一种快速可见性感知渲染算法，该算法支持各向异性泼溅，既加速训练又允许实时渲染。
3D Gaussian Splatting代码详解（一）：模型训练、数据加载
qq_35831906的博客
10-29 2087
train函数旨在通过高斯模型增密、学习率调整、定期保存 checkpoint 和渲染优化，训练一个能够表示 3D 场景的高斯模型。数据加载提供了两个主要函数 readColmapSceneInfo 和 readColmapCameras，用于读取和处理 COLMAP 生成的相机参数和场景信息，并将其格式化为易于使用的数据结构。这些函数为后续 3D 重建和 NeRF 训练准备相机参数、点云数据及其他场景归一化信息。
三维重建【2】3D Gaussian Splatting：训练自己的数据集
飞鸟拥抱鱼的博客
02-18 353
3D Gaussian Splatting如何训练自己的数据集
3D Gaussian Splatting：用于实时的辐射场渲染
m0_51976564的博客
11-09 9699
3D Gaussian Splatting：用于实时的辐射场渲染 3d gaussian splatting for real-time radiance field rendering
学习笔记之——3D Gaussian Splatting及其在SLAM与自动驾驶上的应用调研
热门推荐
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。
3D Gaussian Splatting介绍
m0_37604894的博客
04-17 1万+
3D Gaussian Splatting和NeRF一样，主要用于新视图合成。使用光栅化渲染方式，而不是NeRF的基于射线的体渲染（volumetric rendering along a ray）使用多个3D高斯球显示的表达场景训练推理速度快的同时保证质量高本质上是一个优化问题，没有使用神经网络μ\muμ进行了一定简化，我们回顾一下原始形式，若随机变量服从X∼Nμσ2X∼Nμσ2,则有如下的概率密度函数对应到多元，就是下面的形式，
3D Gaussian Splatting for Real-Time Radiance Field Rendering
weixin_45834800的博客
06-08 1831
我们的方法的输入是一组静态场景的图像，以及由SfM【Schönberger 和 Frahm 2016】校准的对应摄像机，SfM会产生稀疏点云作为副产品。我们从这些点创建了一组3D高斯分布（见第4节），定义了位置（均值）、协方差矩阵和不透明度α，这允许非常灵活的优化机制。这结果在于对3D场景的合理紧凑表示，部分原因是高度各向异性的体积喷溅可以紧凑地表示精细结构。辐射场的方向外观分量（颜色）通过球谐函数（SH）表示，遵循标准做法【Fridovich-Keil 和 Yu 等人 2022；
论文翻译：3D Gaussian Splatting for Real-Time Radiance Field Rendering
旭先森
09-01 1818
3DGS论文翻译
论文阅读：3D Gaussian Splatting for Real-Time Radiance Field Rendering
fishfuck的博客
08-11 957
辐射场方法最近彻底改变了用多张照片或视频捕获的场景的新颖视角合成。然而，要获得高视觉质量，仍然需要训练和渲染成本高昂的神经网络，而最近更快的方法不可避免地要牺牲速度来换取质量。对于无界和完整的场景(而不是孤立的对象)和1080p分辨率的渲染，目前还没有一种方法可以达到实时显示速率。我们引入了三个关键元素，使我们能够在保持有竞争力的训练时间的同时获得最先进的视觉质量，并重要的是允许在1080p分辨率下进行高质量的实时(≥30 fps)新颖视图合成。
【论文阅读|计算机视觉】 3D Gaussian Splatting for Real-Time Radiance Field Rendering
chien__的博客
11-29 775
辐射场方法最近在基于多张照片或视频的场景新视角合成方面引发了革命。然而，要实现高视觉质量，仍需依赖昂贵的神经网络训练和渲染成本，而最近一些更快的方法则不可避免地在速度与质量之间做出了妥协。对于无边界的完整场景（而非孤立的物体）以及1080p分辨率的渲染，目前尚无方法能够实现实时显示（≥30帧/秒）。我们引入了三个关键要素，既能实现当前最先进的视觉质量，同时保持具有竞争力的训练时间，并且尤其能实现高质量的1080p分辨率实时新视角合成（≥30帧/秒）。
3D个人简历网站 4.小岛
teacherchen90的博客
05-17 444
在Sketchfab上下载狐狸岛模型，然后转换为素材资源asset，嫌麻烦直接在网盘链接下载素材，素材夸克网盘：提取码：Yn3k。
SECERN AI提出3D生成方法SVAD！单张图像合成超逼真3D Avatar！
AIGC Studio：分享AIGC前沿知识和好玩应用，公众号同名。
05-17 431
SECERNAI提出的SVAD方法通过视频扩散生成合成训练数据，结合身份保留和图像恢复模块，优化数据以训练3D高斯分布（3DGS）虚拟形象。该方法在保持身份一致性和精细细节方面优于现有的单张图像方法，并具备实时渲染能力。SVAD克服了传统3DGS方法对密集训练数据的依赖，通过单幅图像输入生成高质量、可动画化的3D虚拟形象。实验表明，SVAD在多个指标上优于基线模型，但面临背景分割不准确、复杂服装纹理处理困难及高计算需求等挑战。未来工作将优化对不同服装类型的处理和计算性能。
用AI制作黑神话悟空质感教程，3D西游记裸眼效果，西游人物跳出书本
小小鱼儿小小林的博客
05-13 659
你是否也想打造这种立体效果？让人物仿佛从纸上跃然而出，质感逼真。这里我以西游记为例，大家完全可以根据个人喜好，尝试创作三国、水浒等题材的作品。
浅论3DGS溅射模型在VR眼镜上的应用
大摆王的博客
05-17 1497
摆烂仙君小课堂开课了，本期将介绍如何手搓VR眼镜，并将随手拍的电影变成3D视频。
OptiStruct实例：3D实体转子分析
ICAEgz的博客
05-16 965
本文介绍了OptiStruct中3D实体转子的建模及临界转速分析实例。与1D转子模型不同，3D实体转子通过详细网格建模，将转子部分转换为超单元模型，并与定子系统进行装配。建模过程中，转子转盘部分采用详细网格，而旋转轴仍使用梁单元。文章详细描述了生成超单元、装配超转子与其他部件以及后处理的过程，包括使用固定界面模态法生成超单元、通过ASSIGN语句引用超单元进行节点对接，以及在HyperGraph和HyperView中进行后处理分析。最终，通过坎贝尔图和涡动振型图展示了转子系统的临界转速分析结果。
3D迷宫探险：伪3D渲染与运动控制的数学重构
qq_42568323的博客
05-11 867
在计算资源受限的环境下，伪3D技术以巧妙的数学变换创造出身临其境的视觉体验。本文将解构射线投射引擎的核心算法，揭示第一人称控制的微分运动模型，并构建迷宫生成的图论体系，展现2D逻辑到3D感知的数学映射艺术。
在微创手术中使用Kinova轻型机械臂进行多视图图像采集和3D重建
欣佰特cnbestec的博客
05-16 748
Kinova轻型机械臂在微创手术中展现了其高精度和灵活性的优势，通过多视图图像采集和3D重建技术，为医生提供了详细的解剖结构模型，从而提高了手术的准确性和安全性。该机械臂采用模块化设计，可根据不同医疗需求进行定制，支持多种传感器和工具的集成，适应性强。其7自由度的设计确保了在复杂手术环境中的灵活操作，而先进的运动控制算法和远程中心运动模式则进一步减少了手术对患者组织的损伤。此外，Kinova机械臂结合了图像处理算法，如SfM和SLAM，以及深度学习技术，提升了3D重建的精度和效率。
3D个人简历网站 5.天空、鸟、飞机
最新发布
teacherchen90的博客
05-17 949
models下新建文件Sky.jsx。
3d gaussian splatting流程图
12-07
3D Gaussian Splatting是一种用于生成高质量3D图像和视频的技术。其流程图通常包括以下几个步骤： 1. **数据采集**：从多个视角拍摄或生成3D场景的图像数据。 2. **预处理**：对采集到的图像数据进行预处理，包括去噪、校准和特征提取等。 3. **高斯点云生成**：将预处理后的数据转换为高斯点云，每个点代表一个高斯分布。 4. **优化**：通过优化算法调整高斯点云的位置、方向和大小，以最小化重建误差。 5. **渲染**：使用优化后的高斯点云进行3D渲染，生成高质量的图像或视频。 6. **后处理**：对渲染结果进行后处理，如添加光照效果、纹理映射等。 以下是一个简化的流程图： ``` 数据采集 --> 预处理 --> 高斯点云生成 --> 优化 --> 渲染 --> 后处理 ``` 详细步骤如下： 1. **数据采集**： - 从不同角度拍摄场景的图像。 - 使用3D扫描仪或深度相机获取场景的深度信息。 2. **预处理**： - 对图像进行去噪处理。 - 校准相机参数。 - 提取图像中的特征点。 3. **高斯点云生成**： - 将特征点转换为高斯分布。 - 初始化高斯点云的位置和方向。 4. **优化**： - 使用优化算法（如梯度下降）调整高斯点云。 - 最小化重建误差，使渲染结果更接近真实场景。 5. **渲染**： - 使用优化后的高斯点云进行3D渲染。 - 生成高质量的图像或视频。 6. **后处理**： - 添加光照效果。 - 进行纹理映射。 - 其他视觉效果处理。
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