NVlabs Sparse Voxels Rasterizer 安装与配置指南

NVlabs Sparse Voxels Rasterizer 安装与配置指南

svraster 项目地址: https://gitcode.com/gh_mirrors/sv/svraster

1. 项目基础介绍

NVlabs 的 Sparse Voxels Rasterizer 是一个高效的光照场渲染算法，它采用了自适应稀疏体素进行栅格化处理，无需使用神经网络或3D高斯函数。该项目的主要目的是在保持高渲染帧率的同时，忠实地再现场景细节。它适用于具有高达65536^3网格分辨率的各种场景，且不会出现高斯散点中的常见“弹出”伪影。

主要编程语言：Python

2. 项目使用的关键技术和框架

• 自适应稀疏体素：根据场景的不同细节级别，动态分配稀疏体素。
• 栅格化处理：定制化的栅格化器，用于高效渲染自适应稀疏体素。
• 体素渲染：采用依赖于射线方向的莫顿排序，确保正确的深度顺序，避免“弹出”伪影。
• 深度引导：结合 depthanythingv2 和 mast3r 深度损失，以指导渲染的深度。
• 框架：使用 PyTorch 作为主要深度学习框架。

3. 项目安装和配置的准备工作与详细步骤

准备工作

• 确保你的系统安装了 Python。
• 安装 PyTorch。测试版本为 1.13.1+cu117 和 2.5.0+cu124。
• 根据你的 PyTorch 版本，可能需要安装相应的 CUDA 工具包：

  conda install -y -c "nvidia/label/cuda-11.7.0" cuda-toolkit
  conda install -y -c "nvidia/label/cuda-12.4.0" cuda-toolkit
  

• 克隆项目仓库到本地：

  git clone https://github.com/NVlabs/svraster.git
  

安装步骤

1. 在项目根目录下，安装项目依赖：

   pip install -r requirements.txt
   

2. 安装稀疏体素 CUDA 栅格化器和一些实用工具：

   pip install -e cuda/
   

3. 对于自己的场景捕获，按照以下工作流程操作。具体实例可以参考 example.ipynb：

   • 数据准备：使用 COLMAP 或 NerfStudio 提取相机参数。
   • 场景优化：运行以下命令开始训练：

     python train.py --eval --source_path $DATA_PATH --model_path $OUTPUT_PATH
     

   • 测量 FPS：运行以下命令测量帧率：

     python render.py $OUTPUT_PATH --eval_fps
     

   • 渲染视图：根据需要运行相应的渲染命令。
   • 交互式查看器：使用以下命令启动交互式查看器：

     python viz.py $OUTPUT_PATH
     

   • 生成网格：在训练时使用相应的参数以获得更好的几何形状。

以上就是 NVlabs Sparse Voxels Rasterizer 的详细安装和配置指南。按照以上步骤操作，你应该能够顺利安装和运行该项目。

svraster 项目地址: https://gitcode.com/gh_mirrors/sv/svraster