【计算机视觉】【3D Gaussian Splatting】快速入门

最新推荐文章于 2025-11-30 22:44:50 发布
原创 最新推荐文章于 2025-11-30 22:44:50 发布 · 396 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#计算机视觉 #人工智能

工程搭建

cd <path_content>
git clone --recursive https://github.com/camenduru/gaussian-splatting
pip install -q plyfile

cd <path_content>/gaussian-splatting
pip install -q <path_content>/gaussian-splatting/submodules/diff-gaussian-rasterization
pip install -q
最低0.47元/天 解锁文章
CS_Zero
关注
该文档仅提供了一个百度网盘链接，用于下载名为“3D Gaussian Splatting from Scratch - PyTorch-Only”的文件，无其他文章内容
11-07
3D高斯泼溅从入门到精通——纯PyTorch实现（3D Gaussian Splatting from Scratch — PyTorch-Only） 一、课程基础信息 - 发布日期：2025年11月 - 资源格式：MP4视频（视频编码：h264，分辨率1280×720；音频编码：...
1) gaussian-splatting环境配置
CPWWHSU的博客
08-18 1118
windows11下配置gaussian-splatting训练环境
3D Gaussian Splatting的使用
gootyking的博客
12-04 9641
Gaussian splatting 快速生成自己屋子的模型
[CVPR 2023:3D Gaussian Splatting：实时的神经场渲染]
weixin_47869094的博客
12-21 2878
mesh 和点是最常见的3D场景表示，因为它们是显式的，非常适合于快速的基于GPU/CUDA的栅格化。相比之下，最近的神经辐射场（NeRF）方法建立在连续场景表示的基础上，通常使用体射线行进来优化多层感知器（MLP），以实现捕获场景的新视图合成。类似地，迄今为止最有效的辐射场解决方案建立在连续表示的基础上，通过插值存储的值，例如，体素或哈希[网格或点。虽然这些方法的连续性有助于优化，但渲染所需的随机抽样是昂贵的，并可能导致噪声。
代码实现3D Gaussian Splatting重建场景编辑（平移、旋转、障碍物遮挡去除）
weixin_43890835的博客
03-15 4916
本文介绍了一种对3D高斯重建场景进行编辑的方法，通过初始化，初步重建，高斯标记，高斯编辑几个步骤能够实现对3DGS重建三维场景中任意对象的编辑，包括旋转平移和去除等等。
Windows下3D Gaussian Splatting从0开始安装配置环境及训练教程
热门推荐
weixin_64588173的博客
04-24 3万+
本文将全程记录自己的3dgs配置过程，以及遇到的问题及解决办法。（Windows）
3D Gaussian Splatting 入门
qq_35831906的博客
10-29 3365
3D Gaussian Splatting是一种将点云表示为高斯分布（Gaussian Distributions）的方法，用于3D重建、渲染等领域。这种方法通过在3D空间中对点云进行参数化，使得每个点不仅有位置（XYZ坐标），还拥有大小、方向和颜色等属性，从而可以更好地模拟3D结构的细节。这些属性通常通过高斯分布的参数（如均值、方差和颜色值）进行表示。
3D Gaussian Splatting：用于实时的辐射场渲染
m0_51976564的博客
11-09 1万+
3D Gaussian Splatting：用于实时的辐射场渲染 3d gaussian splatting for real-time radiance field rendering
3d Gaussian splatting笔记及讨论
qq_36797410的博客
01-31 5001
最近学习了3D gaussian splattoing的一些知识，也了解了一些Nerf的相关知识。之前一直做2d多模态的相关知识，对于3d处于刚刚接触的阶段，想着以新手的视角记录一下学习过程，一来加深自己的理解，二来想与各位讨论求教。由于水平实在有限，本篇文章就讲究一个浅尝辄止，如果这些笔记有幸能够启发到各位那就再好不过了。很长，大家慢慢看，有参考链接还是得看人家写的博客，比我的详细多了。
3D gaussian splatting 代码阅读(一)：Forward
w1130466404的博客
02-20 3904
3D gaussian 代码阅读
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。
深度学习在计算机视觉中的最新进展
2402_84924563的博客
11-29 1513
计算机视觉技术近年来经历了从CNN到Transformer的架构革命，2023-2025年核心突破集中在三大方向：1）视觉Transformer在高效化和多尺度处理上的创新，如Swin V3通过分层窗口注意力将计算复杂度降至O(N)；2）扩散模型在生成质量和可控性上的突破，Stable Diffusion 4将图像生成时间缩短至2秒且精度提升20%；3）多任务基础模型的发展，如SAM-3实现零样本泛化分割。这些技术进步正推动计算机视觉从单一任务向通用智能演进，并在产业应用中展现出巨大潜力。
计算机视觉·MaskFormer
2301_80132162的博客
11-30 193
借助了的核心思想，不过将原本的目标检测任务迁移到了语义分割和全景分割领域。
推荐两个开源社区-Hugging Face(自然语言处理)和OpenMMLab(计算机视觉)
wxzuobi的博客
11-30 120
随着Transformer架构在自然语言处理领域的革命性突破，该公司在2019年开源了Transformers库，这个举措使其迅速成为NLP领域的事实标准。它的平台提供了海量的开源预训练模型、数据集和在线工具，特别适合快速原型开发和模型部署。而OpenMMLab则以其专业性和系统性见长，它提供了一整套模块化、高质量的代码库，非常适合进行计算机视觉的深入研究和算法开发。Hugging Face和OpenMMLab就是在这样的背景下诞生的两个重要平台，它们虽然都致力于推动AI技术的发展，但侧重点各不相同。
目标检测模型评估指标完整汇总
qq_64351561的博客
11-30 102
2. Precision (精度) - 检测正确率 3. Recall (召回率) - 检测完整率 4. IoU (Intersection over Union) - 边界框重叠度 5. Loss Functions (损失函数) 🔄 Precision vs Recall 权衡 📊 数据集相关指标 🎓 类别级别指标 📈 性能评估标准 🔍 常见问题解答 💾 快速记忆卡片 📋 实用对照表 指标对照表 🎯 你的模型评估总结 这就是完整的指标汇总！
【每天一个AI小知识】：什么是目标检测？
最新发布
码道源码
11-30 640
目标检测是计算机视觉的核心任务，能识别图像中的目标类别并定位其位置。技术发展经历了传统方法（如HOG特征）、两阶段检测器（如R-CNN系列）和单阶段检测器（如YOLO系列）三个阶段。现代目标检测技术广泛应用于安防监控、自动驾驶、医疗影像等领域，但仍面临小目标检测、遮挡问题等挑战。评估指标主要包括mAP和FPS，未来发展将聚焦Transformer应用、自监督学习等技术突破。该技术不仅提升了机器视觉能力，也需平衡速度与精度，并考量隐私保护等伦理问题。
ART 和SART 医学CT重建迭代重建算法
ghie9090的博客
11-30 97
ART 和SART 医学CT重建迭代重建算法
【图像处理基石】什么是图像处理中的注意力机制？
智能守恒_HengAI
11-30 628
核心：动态分配权重，让模型“聚焦重要信息，忽略冗余信息”；分类：空间注意力（哪里重要）、通道注意力（哪些特征重要）、混合注意力（两者结合）；经典算法：SENet（通道）、CBAM（混合），结构简单，易实现；价值：轻量高效，能快速提升现有CNN模型的性能。用上面的代码实现一个“ResNet+CBAM”模型，在CIFAR-10数据集上训练，对比普通ResNet的效果；调整注意力模块的参数（如降维系数reduction、卷积核大小），观察对模型性能的影响；
计算机视觉·DETR
2301_80132162的博客
11-30 119
由于N的数量肯定是大于图像中真实锚框的数量和标签集M，因此作者引入了一个No Object作为新的标签集。，这N个锚框经过FFN分别得到分类结果和锚框坐标。这些query向量首先经过自注意力进行交互。总损失：N个分类损失，M个锚框和GIoU损失。DETR设计了N个可以学习的query。就像NMS一样，作者需要减少锚框的数量。首先通过CNN+1x1卷积得到特征图，，N的数量大于图像中实际存在的数量。，其中N=100，表示查询的数量。得到生成的锚框与真实锚框之间的。，就是一个关系矩阵C。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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