关于3DGS的一些热门讨论

最新推荐文章于 2025-07-18 11:33:38 发布
转载 最新推荐文章于 2025-07-18 11:33:38 发布 · 202 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247634905&idx=5&sn=460e6510d913e1400ec7a90c0242e892&chksm=cf7aa0dc97bd9bd7cb2477151e18a8e844a24b2c503ecfa1164c9d7a710a97a3b0c24cc34a1d&scene=126&sessionid=0
文章标签：

#3d

点击下方卡片，关注“自动驾驶之心”公众号

戳我-> 领取自动驾驶近15个方向学习路线

>>点击进入→自动驾驶之心『BEV感知』技术交流群

1、三维重建现在能生成街景或者调整天气环境？

可以生成街景，也这些方案也都是比较成熟了，然后调整天气环境确实是比较难。

outside_default.png

来源：星球内部讨论，底部扫码参与！

2、有了3DGS为啥还要做meshes?

因为原理上来讲，3DGS它继续学习出来的这个结果是点云的一个集，就是每空间当中的一些点，然后每个点负载了空间当中的一些信息，不透明度，什么颜色等等之类的。然后会有这些比较前沿的方法，再把它还原出这些空间当中的表面,。这个空间当中表面其实是很有很有用的，很有意义的。它是确定性的连续的。可以做碰撞的检测。

outside_default.png

来源：星球内部讨论，底部扫码参与！

3、三维重建和Carla这种传统渲染优缺点是啥？

现在NeRF和3GS发展到现在，在说新视角合成这上面的效果已经是非常好的了。它的真实性会比卡拉这些基于三维引擎来渲染出来的图片效果要好的多得多了。其实是而且当然他的这个新视角合成，就是说你没有看到的这个视角，它合成出来的你主要是在这个位置的内差之内，一般人来说效果也是相当不错的。

outside_default.png

outside_default.png

来源：星球内部讨论，底部扫码参与！

『自动驾驶之心知识星球』欢迎加入交流！

outside_default.png

3DGS最火的10篇经典论文讲解
计算机视觉工坊
05-04 534
知识星球是一个高度活跃的社区平台，在这里你可以和相同研究方向的小伙伴一起探讨科研工作难题、交流最新领域进展、分享最新顶会论文&代码资料、分享视频（讲解某一块知识点）、发布高质量的求职就业信息，承接项目等，当然还可以侃侃而谈，吐槽学习工作生活。
【论文阅读|3DGS】CityGaussianV2: Efficient and Geometrically Accurate Reconstruction for Large-Scale Scene
qq_55170097的博客
12-09 3323
摘要总结3D高斯绘制（3DGS）的挑战：尽管3DGS在辐射场重建方面取得了突破，但在大规模和复杂场景中，由于其无序性，准确表示场景表面仍然是一个难题。CityGaussianV2的提出：本文提出了CityGaussianV2，这是一个针对大规模场景重建的新方法，旨在解决几何精度和效率的关键问题。基于2DGS的方法CityGaussianV2基于2DGS，解决了其在收敛速度和可扩展性方面的限制。
用高斯Splatting做几何编辑 GaMeS: Mesh-Based Adapting and Modification of Gaussian Splatting
qq_42680195的博客
02-27 2203
最近高斯splatting很火，但是3DGS本身没法做几何编辑。GAMES用mesh作为高斯点的载体，可以在3DGS的基础上实现几何编辑
MeshGS: Adaptive Mesh-Aligned GaussianSplatting for High-Quality Rendering 论文解读
NPU 研0
10-17 1717
MeshGS的论文解读，包括SDF，Marching Cubes算法解析
3DGS-to-PC：3DGS模型一键丝滑转 点云 or Mesh 【Ubuntu 20.04】【2025最新版！！】
举个栗子的博客
05-12 1969
3DGS-to-PC项目旨在将3D高斯泼溅（3DGS）场景转换为高密度点云，以便在常用3D软件中查看和编辑。该项目还支持生成网格模型，便于进一步处理。环境配置要求包括Ubuntu 20.04、CUDA 11.8、Python 3.x及已安装的3D Gaussian Splatting环境。项目提供了点云和网格生成功能，用户可通过命令行工具进行转换，并支持优化点云质量的高级参数。
3D Guassians Splatting相关解读
qq_37346140的博客
01-16 3887
本文通过协方差矩阵来表达该点，此矩阵控制3D高斯的形状。较之3节中推导的传统表达式，本文中的公式去掉了均值，因为该高斯分布以点为中心，xyz的均值就在点上已经中心化了，所以均值设为0；左侧系数是为控制整个概率密度函数的积分为1，但此处不需要，没有积分为1的限制所以整个分布的大小能够自由控制。从初始的SFM点云出发，以每个点为中心生成3D高斯；然后用相机参数把点投影到图像平面上（Splatting）；
无需训练的开源插件3DGS-to-PC：将3DGS直接转换为稠密点云或Mesh！
计算机视觉工坊
01-21 1603
在本研究中，我们提出了3DGS-to-PC框架，该框架能够从3DGS（三维几何形状）场景中稳健地生成高质量的点云表示。我们的方法通过分析高斯分量对渲染图像中像素颜色的贡献，有效地计算出高斯颜色，从而确保生成的点云中颜色表示的准确性。点的分布与每个高斯分量的体积成正比。利用马氏距离识别出的离群点将被移除并重新生成，以确保3DGS场景的真实表示。该框架还支持通过泊松表面重建生成网格，该方法应用于从预测的表面高斯分量中采样的点。该框架具有高度的可定制性，提供了降噪、点云密度控制和高斯滤波等选项。
3DGS论文中文版（理论部分）
m0_55605361的博客
09-16 2521
最近，辐射场方法彻底改变了使用多张照片或视频捕获的场景的新视角合成技术。但是，要达到高视觉质量，仍然需要训练和渲染成本很高的神经网络。而最近一些速度更快的方法则不可避免地在速度和质量之间做出权衡。对于完整场景（而不仅仅是孤立的物体）以及1080p分辨率的渲染，目前还没有方法能够实现实时显示速率。我们引入了三个关键部分，使我们能够在保持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，允许在1080p分辨率下进行高质量的实时（每秒≥30帧）新视角合成。
解读CVPR2024-3DGS论文分享|GaussianDreamer: Fast Generation from Text to 3D Gaussians by Bridging 2D and 3D
paixiaoxin的博客
12-12 1232
提出了一个名为GaussianDreamer的框架，它通过高斯绘制（Gaussian splatting）技术，将2D和3D扩散模型结合起来，以实现从文本到3D高斯的快速生成。该方法不仅保持了3D一致性，而且生成细节丰富，能够在15分钟内在单个GPU上完成训练，并且生成的实例可以直接实时渲染。
【论文阅读|3DGS】CityGaussian: Real-time High-quality Large-ScaleScene Rendering with Gaussians（快读版）
qq_55170097的博客
12-02 2051
本文介绍了CityGaussian（CityGS），这是一种用于大规模3D高斯绘制（3DGS）训练和渲染的新方法，能够实现实时、高质量的大规模场景渲染。CityGS采用了一种新颖的分而治之的训练方法和细节层次（Level-of-Detail，LoD）策略，以提高大规模3DGS训练和渲染的效率。通过全局场景先验和自适应训练数据选择，CityGS能够高效训练并无缝融合。基于融合的高斯原语，我们通过压缩生成不同细节层次，并快速渲染不同尺度的场景。
3DGS mesh提取
devil59468的博客
12-28 1460
AbstractAbstractAbstractAbstractAbstractAbstractAbstractAbstractAbstractAbstractAbstractAbstractAbstractAbstractAbstractAbstractAbstractAbstract。
【动态三维重建】Deformable 3D Gaussians 可变形3D GS用于单目动态场景重建（CVPR 2024）
qq_45752541的博客
03-20 5019
隐式神经表示为动态场景重建和渲染的新方法铺平了道路。尽管如此，先进的动态神经渲染方法很大程度依赖这些隐式表示，经常难以捕捉场景中物体的复杂细节。此外，隐式方法在一般动态场景中实现实时渲染，限制了它们在各种任务中的使用。为了解决这一问题，我们提出了一种可变形的三维高斯分布的splatting 方法，该方法使用三维高斯分布来重建场景，并在具有变形场的规范空间中学习它们，以建模单目动态场景。我们还引入了一种没有额外开销的退火平滑训练机制，它可以减轻不准确的姿态对真实世界数据集中时间插值任务的平滑性的影响。
3D Gaussian Splatting——配置与实例
m0_74310646的博客
05-14 6023
天不生我（NeRF）辐射场，3D万古如长夜！！！就在NeRF研究卷得如火如荼之时（为了提高效率、3D生成等张三RF，李四fusion纷纷登场），researcher们一觉醒来，3DGS横空出世，虽然说splatting的概念早已在计算机图形学中存在，但是3DGS的效果的的确确已经十分令人惊叹。。。来不及解释了，赶紧上车！
从3dgs的ply生成mesh有哪些路径和已有的算法实现？
3D视觉工坊
04-01 159
从3dgs的ply生成mesh有哪些路径和已有的算法实现？欢迎小伙伴在评论区留言讨论。「3D视觉从入门到精通」
【GIS】重要技术3DGS
giszz的博客
03-17 1762
等属性，能够精确表达物体的几何形状、光照变化及材质特性。是一种基于显式三维高斯点云表示的。对场景进行建模，每个高斯点包含。
3D Gaussian Splatting (3DGS) 从入门到精通：安装、训练与常见问题全解析
gaussrieman123的博客
07-17 1112
本指南全面总结 3D Gaussian Splatting (3DGS) 从安装到渲染的常见问题。重点包括： 环境配置： 确保 Python (Conda)、PyTorch 与 CUDA 版本精准匹配，注意 numpy 兼容性。 COLMAP 与 Ceres 编译： 解决 Abseil-CPP 配置、GCC/CUDA 兼容性及依赖缺失问题。 数据准备： 视频转图片，COLMAP 稀疏重建后，利用脚本将数据转换为 3DGS 兼容格式。 训练与渲染： 解决训练参数、CUDA/PyTorch 扩展 ABI
【3D并排条状图】：附Origin详细画图教程
最新发布
weixin_50236590的博客
07-18 315
3D并排条状图，是一种多维数据可视化形式，通过在三维坐标系中并排展示多个数据系列的柱状体，实现三类变量的联合对比分析。这种图表扩展了传统二维并排条状图的表达能力，增加了深度维度（z轴）的信息承载能力。
通缩压力下的 “逆行者”：新启航如何用国产 3D 白光干涉仪破解半导体行业降本困局？
SYNCON2的博客
07-17 872
国产3D白光干涉仪助力半导体行业降本增效 在半导体行业面临通缩压力的背景下，国产3D白光干涉仪通过技术创新和本土化优势，为行业提供了有效的降本解决方案。相比进口设备，国产设备采购成本降低40-50%，维护费用减少60-70%。其核心技术包括智能一键操作、15mm超大视野和0.1nm级精度，并支持动态测量。实测数据显示，该设备在硅片粗糙度、油膜厚度等检测中表现优异，分辨率达1nm以下。通过提高检测效率30%、延长备件寿命2倍，以及提升良率2-3%，该设备为半导体企业实现了全生命周期的成本优化和技术升级。
3dgs复现
03-21
<think>嗯，用户想找关于3DGS（3D Gaussian Splatting）复现的方法、教程或案例。首先，我需要确认用户提到的3DGS具体指的是什么。根据提供的引用内容，3DGS可能涉及3D高斯分布的点云渲染技术，用于地图表示、视觉重定位或风格化处理。接下来，我应该整理现有的引用信息，看看有哪些资源可以帮助用户复现。 引用[1]提到的是3DGS在重定位中的应用，但可能没有直接提供复现方法。引用[2]讨论了高效风格化方法，可能包含训练和渲染的优化技巧，这对复现有帮助。引用[3]的3DGS.cpp项目是一个跨平台的高性能渲染器，使用Vulkan Compute，支持多平台，这可能是一个重要的复现案例，用户需要查看项目地址和教程。引用[4]则提供了官方的Gaussian Splatting仓库的克隆方法，包括递归拉取子模块，确保代码完整，这对正确复现至关重要。 用户可能需要具体的步骤，比如如何搭建环境、获取代码、处理数据以及训练模型。我应该分步骤整理这些信息，确保每个步骤都有对应的引用支持。例如，官方仓库的克隆需要--recursive参数，否则子模块可能缺失，影响编译。此外，3DGS.cpp项目提供了不同平台的编译指南，这对用户来说可能非常实用。 还需要考虑用户可能的实际问题，比如依赖项安装、数据准备（如使用COLMAP处理数据集）、训练参数调整等。另外，相关的问题可能包括性能优化、不同应用场景的实现差异，或者如何处理训练中的常见错误。根据引用，可以推荐用户参考提供的项目教程和官方文档，以及社区资源如GitHub Issues和论坛。 最后，要确保回答结构清晰，步骤明确，引用正确，并且生成的相关问题能引导用户深入了解更多细节。可能的问题包括复现中的常见错误、性能优化方法、与其他技术的结合应用等，这些都需要基于现有的引用内容来设计。</think>### 3DGS复现方法与案例整理 #### 1. **官方基础复现方法** 官方代码库提供完整的3D高斯分布点云渲染与训练框架，复现步骤如下： - **代码获取** ```bash git clone https://github.com/graphdeco-inria/gaussian-splatting.git --recursive ``` 必须添加`--recursive`参数以拉取子模块（如`diff-gaussian-rasterization`和`glm`），否则编译会失败[^4]。 - **环境配置** 需安装CUDA、PyTorch和COLMAP（用于数据预处理）。官方推荐使用Anaconda管理依赖。 - **数据准备** 使用COLMAP对目标场景的多视角图像进行稀疏重建，生成相机位姿和点云数据。 - **训练与渲染** 运行训练脚本生成3D高斯参数，通过可微分渲染优化模型。支持导出点云和渲染结果。 #### 2. **高性能跨平台渲染案例：3DGS.cpp** 针对实际应用需求，社区项目**3DGS.cpp**提供了优化方案： - **核心特性** - 使用Vulkan Compute实现跨平台（Windows/Linux/macOS/iOS/visionOS） - 相比原生实现，渲染效率提升20%以上[^3]。 - **复现步骤** 1. 克隆仓库： ```bash git clone https://gitcode.com/gh_mirrors/3d/3DGS.cpp ``` 2. 安装Vulkan SDK和CMake 3. 编译并运行示例场景 详细教程见项目文档[^3]。 #### 3. **风格化场景快速生成方法** 中科院提出的**StylizedGS**在保持渲染质量的同时缩短训练时间： - **关键技术** - 通过轻量化风格迁移网络减少计算量 - 动态调整高斯分布参数优化风格一致性 训练时间仅为传统方法的30%[^2]。 - **复现资源** 参考论文代码仓库（需关注作者团队公开的GitHub页面）。 --- ###
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