3D Gaussian Splatting学习记录11.3_3dgaussian splatting与传统三维重建的对比

论文细节

参考了论文讲解

• 思想：就像泼溅（splatting）的水球（gaussian）。从已有的点云模型出发，以每个点为中心，建立可学习的3D高斯表达，用splatting 方法进行渲染，实现高分辨率的实时渲染，推动了NeRF加速方向的进展。
• 优点：很快，很好的GPU，100FPS；效果很好，纹理细节，超过很多NeRF；显存占用小，方便实用；可以随机初始化点云，即可以不提供点云，在训练时进行点云的生长和修剪
• COLMAP - 相机位姿 - 点云
• 缺点：重建室内场景很差，因为技术比较原始，之后会有更多改进（可能是借鉴NeRF中的一些方法可能是新方法）。墙壁没有纹理，很难获取深度，所以重建出来从旁边看会有一团雾。反光的表面也重建的不好。
• 可以应用到unreal engine，unity，polycam，luma AI等
• 贡献：（1）各向异性，即各个方向看都不一样

• 为什么要用CUDA：CUDA编程的最大意义在于可以加速，高效运行，因为python是解释型语言，CUDA是编译型语言，一般先天python就比CUDA要慢。这是AI的回答：

有的编程语言选择使用CUDA而不是Python的原因主要是因为CUDA提供了更直接的GPU并行计算支持，而Python作为一种高级编程语言，对于GPU的并行计算支持相对较弱。

虽然Python有一些库和框架（如TensorFlow、PyTorch）可以利用CUDA进行GPU加速，但是Python本身是解释性语言，相对于底层的CUDA，其执行效率较低。此外，Python的语法和动态类型特性也限制了其在性能密集型计算任务上的表现。

相比之下，CUDA是专门为GPU并行计算而设计的平台和编程模型。CUDA提供了底层的并行计算功能和优化工具，可以直接利用GPU的强大计算能力，从而在性能上有更大的优势。此外，CUDA提供了丰富的库函数和工具，简化了并行程序的编写和调试过程。

需要注意的是，Python作为一种通用的高级编程语言，拥有广泛的应用领域，特别是在数据处理、科学计算和机器学习等领域。对于这些领域的任务，Python具有较高的开发效率和灵活性，因此在选择编程语言时需要根据具体任务的需求来进行权衡和选择。

• 其他方法：图片+深度预测，得到点云，再得到mesh
• 相关方法：和Point-NeRF都是用到点云，但避开了对点云抽象特征的学习，且用splatting代替Point-NeRF的体渲染。Point-NeRF有些浪费了点云携带的精确几何信息，但本文可以最大程度用点云。Plenoxels用到体素、三线性插值、体渲染，抛弃MLP和隐式特征，用到更显式的球谐函数，思想类似，都是用传统高效的方法提高模型表达的下限，结合可微可学习思想拉高模型拟合的上限。

• inputs：g_rgb 颜色(3)、g_points 3D位置(3)、g_scale 三轴长度(3)、g_rotation 旋转(4)、g_opacity 透明度(1)等
• output：p_rgb 颜色(P, 3)

• 反向传播回所有参与渲染的gaussian，链锁率，在backward.cu中 - “反向微分那里知道怎么回事就可以了，如果需要动这一块的时候再说，因为这一块梯度回传是已经完全写好了，可以理解为，这一块的代码已经打包成一个模块，可以和一般的深度学习模块是一样的，知道在哪是干什么的就可以了。”
• 优化和自适应密度控制

• tile-based光栅化

ps：一个很好的交互式学习网站：brilliant.org/cloud