3d gaussian splatting介绍整理

最新推荐文章于 2025-10-17 22:47:32 发布
原创 最新推荐文章于 2025-10-17 22:47:32 发布 · 4.3k 阅读 · 20 ·
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：

#3d #人工智能

3D 高斯分布是用于实时辐射场渲染的 3D 高斯分布中描述的一种光栅化技术，它允许实时渲染从小图像样本中学习到的逼真场景。

paper
github

本文翻译整理自：
blog: Introduction to 3D Gaussian Splatting
DDPMs - Part 2

给出一些2D图片，用colmap得到稀疏 (SfM) 点，可重建出逼真的3D场景。
3DGS的核心是光栅化技术。
这类似于计算机图形学中的三角形光栅化，用于在屏幕上绘制许多三角形。

图片来自blog

在这里插入图片描述
但是，它不是三角形，是高斯。

最低0.47元/天 解锁文章
快收藏！3D Gaussian Splatting相关工作最全整理！
计算机视觉工坊
03-01 848
3D Gaussian Splatting已经不能用火来形容了，简直是直接引爆了整个NeRF圈，爆炸范围直接辐射到了SLAM、自动驾驶、三维重建等等很多领域。几乎每天都能看到3D GS的最新论文，不停地刷榜，不停地刷新SLAM等领域的上限。大佬们发论文是以天为单位的，各大实验室都在用GS刷新以前的任务，真的感觉快跟不上发展速度了。但不得不承认，3D GS已经成为NeRF入门的必学内容，甚至是很多其他领域的必备工具。
Paper Reading — 3D Gaussian Splatting
tjy792864625的博客
05-20 1938
3D gaussian splatting论文解析
3D Gaussian Splatting
liupin2008的博客
07-23 399
3D Gaussian Splatting训练命令解析：使用python train.py -s data_7/ -m data_7/output可从COLMAP预处理数据重建3D场景。其中-s指定包含images和sparse重建结果的源目录，-m设置输出目录，将保存迭代过程中的高斯点云、相机参数等。该训练过程通过可微分渲染优化3D高斯表示，实现自适应密度控制。
3D Gaussian Splatting论文简要解读与可视化复现(基于gsplat)
最新发布
Younai2021的博客
10-17 1025
gsplat的输入是COLMAP的稀疏点云用来初始化，但是在训练之后会变稠密🚫✅ 它是一个的方法。
3D Guassian Splatting
weixin_45856174的博客
12-09 2081
Splatting算法是一种基于点或者体素的渲染方法，用于将三维数据投影到二维图像平面以生成图像，尤其在三维体绘制和散点云渲染中。对于点和体素的处理方法有一些差别，核心思想是一致的，即将数据点或体素解释为吸收和发射光线的粒子，通过计算这些粒子对屏幕像素的光学贡献来生成图像。作者在摘要中提到，3DGS方法实现了最先进的视图合成质量，并且可以达到实时生成速度。他们的解决方案是基于三个主要部分组成。
A Survey on 3D Gaussian Splatting 整理
weixin_44287798的博客
10-15 2083
3d gs survey整理
【3D Gaussian Splatting系列文章二】预备知识
qq_39374874的博客
09-20 604
此文记录个人学习过程，如有错误请与我私信联系。工欲善其事必先利其器，作为第一次踏入该领域的新人，博主刚开始阅读这篇论文十分困难（该还给老师的都还了）。因此，整理了一些预备知识，以便更好理解相关论文，如有补充，欢迎私信。其中，某些部分需要大量公式，本博客并未一一列举，且部分算法也并未详细展开，待后续有时间继续补充（由于时间有限，splatting以及CG相关知识只是做了简单理解，便于对我们论文立即。
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 4516
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
[SIGGRAPH-23] 3D Gaussian Splatting for Real-Time Radiance Field Rendering
qq_40731332的博客
11-23 5140
NeRF效果好，但是训练和渲染很花时间；特别是对1080p分辨率渲染的场景，现有方法无法实现实时渲染。本文引入三个关键部分，实现sota视觉质量、较短训练时间和1080p分辨率下新视角实时渲染。。通过camera calibration中产生的稀疏点进行初始化。这种新的3D表达形式在保存NeRF优点的同时，避免了空白空间不必要的计算开销；。实现3D Gaussian的交替优化和密度控制，优化各向异性协方差矩阵实现对场景的准确表达；Rendering。
3D 高斯溅射 (Gaussian Splatting)技术，一种实现超写实、高效渲染的突破性技术
12-18 5321
3D 高斯溅射 (3DGS) 的核心技术是通过数百万个微小的、半透明的椭球体（即“高斯溅射”）来创建和渲染 3D 场景。与依赖多边形或复杂神经网络的传统方法不同，3DGS 利用这些溅射点来表现场景。每个溅射点包含其位置、颜色、大小和透明度的信息。当经过组合后，这些溅射点能高度还原场景的真实感。
三维高斯溅射(3D Gaussian Splatting,3DGS)
2403_85515624的博客
03-14 5461
它通过使用3D高斯函数来表示场景中的点，并将这些高斯函数投影到2D图像平面上进行渲染。这项技术自2023年由Kerbl等人在 ACM Siggraph会议上首次提出以来，因其出色的渲染质量和实时性能而受到学术界和工业界的广泛关注。下图为3DGS算法的流程以下为原文中3DGS效果的展示备注：峰值信噪比(Peak Signal to Noise Ratio,PSNR)是图像质量评价领域最常用且历史最悠久的算法，基于两张图像之间的均方误差，可以进一步计算两张图像之间的PSNR值；
3D Gaussian Splatting 部署
qq_34717531的博客
09-03 5285
简介：3D Gaussian Splatting是一种用一组2d图像创建3d场景的方法，你只需要一个场景的视频或者一组照片就可以获得这个场景的高质量3d表示，使你可以从任何角度渲染它。它们是一类辐射场方法（如NeRF），但同时训练速度更快（同等质量）、渲染速度更快，并达到更好或相似的质量。3D Gaussian Splatting可以实现无界且完整的场景1080p分辨率下进行高质量实时（≥ 100 fps）视图合成。该论文获得的siggraph 2023最佳论文。
3D Gaussion Splatting
w574993075的博客
10-17 1638
Relightable Gaussian Codec Avatars，这是一种构建 高保真可重新照明的头部头像，可以进行动画处理以生成新颖的表情。基于 3D 高斯的几何模型可以捕获 3D 一致的亚毫米细节为了统一支持眼睛、皮肤和头发等人体头部的各种材料提出一种基于可学习的辐射转移的新型可重新打光外观模型。结合漫反射组件的全局照明感知球谐波，我们可以实现使用球形高斯进行全频反射的实时重新照明。此外观模型可以在点光和连续光下实时高效地重新建模照明。
【论文阅读笔记】3D Gaussian Splatting
weixin_62636846的博客
10-21 1232
说明：阅读笔记主要仅供个人学习使用从点云出发建立辐射场，通过colmap使用SfM获得初始点云，之后变点云为高斯椭球，通过机器学习进行重建。
3D Gaussian Splatting (学习笔记）
2401_85725332的博客
11-01 1762
NeRF 是一种利用稀疏视角图像重建场景的 3 维表示的隐式学习技术,通过对场景的光照和颜色信息进行编码,实现高质量的 3 维重建和视角合成效果。，这为场景优化和新颖的视图合成提供了显著的加速。3D GS 技术的出现解决了 NeRF 技术训练和渲染速度慢的缺点,它使用 3D 高斯基元作为实时神经渲染的基元,可在不牺牲图像质量的情况下显着提高渲染速度。计算完图像损失之后,梯度会沿着数据流反向传播,对 3D 高斯基元的参数进行优化,而重建不充分的区域往往有着更大的梯度,是需要优化的重点区域。
3D Gaussian Splatting介绍
热门推荐
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-实时辐射场渲染技术
llsansun的博客
01-31 2390
3D Gaussian Splatting是一种新颖的连续体表示，能够高效地表示场景并支持快速渲染。交错优化高斯点属性和密度控制实现了高斯点集的紧凑表示。基于瓦片的渲染算法实现了高效可微分的渲染，支持了快速训练和实时渲染。方法在多个数据集上实现了高质量和实时效果，同时训练速度和内存占用较低。3D高斯模型可被视为一种介于体积和表面表示之间的折衷，具有广泛的适用性。尽管方法在某些区域存在缺陷，但总体上达到了高质量实时神经辐射场渲染的要求。
3d gaussian splatting 命令使用
03-31
<think>嗯，用户想了解如何使用3D Gaussian Splatting的相关命令，特别是教程或实现方法。首先，我需要回忆一下相关的资料。根据引用[3]，train.py和render.py是主要的训练和渲染脚本。用户可能需要具体的步骤和命令示例。 首先，我应该整理环境配置的步骤。因为3D Gaussian Splatting依赖PyTorch和CUDA，所以需要确保用户安装正确版本的这些库。可能还要提到克隆官方仓库，安装依赖项，比如submodules中的东西。 然后，数据处理部分。用户可能需要准备自己的数据集，或者使用标准数据集，比如Mip-NeRF 360的数据集结构。这里需要解释如何组织输入数据，比如图像和相机参数的位置。 接下来是训练流程。根据引用[3]，train.py用于训练模型，需要指定配置文件。我应该给出具体的命令示例，比如使用--config参数指向配置文件，可能还要提到调整迭代次数或分辨率。 然后是渲染部分，使用render.py生成新视角的图像或视频。可能需要示例命令，比如指定训练好的模型路径和输出目录。 此外，用户可能遇到常见问题，比如环境配置错误、CUDA版本不兼容，或者数据格式不正确。需要列出这些可能的问题和解决方法。 最后，根据用户提供的引用，特别是引用[2]，可以提到在SLAM中的应用，说明这个技术的优势。可能需要建议用户参考官方文档和社区资源，比如GitHub仓库的Issue部分。 还要确保回答结构清晰，分步骤说明，并符合用户要求的格式，比如使用中文，正确应用LaTeX语法，生成相关问题。检查是否有遗漏的细节，比如代码示例是否正确，命令参数是否准确。同时要添加相关的引用标识，比如引用[3]在train.py部分，引用[2]在应用场景部分。</think>### 3D Gaussian Splatting 使用教程 3D Gaussian Splatting是一种用于实时辐射场渲染和场景重建的技术，适用于SLAM、3D重建等领域[^2]。以下是基于官方代码库的简化使用流程： --- #### **1. 环境配置** ```bash # 克隆仓库 git clone --recursive https://github.com/graphdeco-inria/gaussian-splatting.git cd gaussian-splatting # 安装依赖（需提前配置PyTorch和CUDA） conda create -n gsplat python=3.8 conda activate gsplat pip install -r requirements.txt ``` *注意：需兼容的CUDA版本为11.6+，PyTorch版本≥1.12* --- #### **2. 数据准备** 输入数据需为**SfM（Structure from Motion）**输出格式： ``` 输入目录结构 ├── images/ # 原始图像 ├── sparse/ # COLMAP生成的稀疏点云 │ ├── cameras.bin │ ├── points3D.bin │ └── images.bin └── ... ``` *可通过`colmap`生成稀疏重建结果，或使用标准数据集（如Mip-NeRF 360）* --- #### **3. 训练模型** 核心训练命令（引用自[^3]）： ```bash python train.py \ --config configs/scene.yml \ # 配置文件 --source_path /path/to/data \ # 输入数据路径 --iterations 30_000 # 训练迭代次数 ``` *关键参数说明：* - `--resolution`：输入图像降采样比例（默认-1为原始分辨率） - `--sh_degree`：球谐函数阶数（影响光照建模能力） - `--lambda_depth`：深度正则化权重 --- #### **4. 渲染与输出** 生成新视角渲染结果： ```bash python render.py \ --model_path outputs/scene_model \ # 训练好的模型路径 --output_dir renders/ # 输出目录 --trajectory spiral # 相机运动轨迹类型 ``` *支持输出格式：PNG序列、MP4视频、点云PLY文件* --- #### **5. 常见问题** - **CUDA内存不足**：降低`--resolution`或`--batch_size` - **重建模糊**：检查SfM质量，增加`--iterations` - **渲染速度慢**：启用`--fast_rendering`模式 ---
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

打赏作者

蓝羽飞鸟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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