实验笔记之——基于TUM-RGBD数据集的SplaTAM测试_jiyu tum-rgbd数据集的splatam测试

之前博客对SplaTAM进行了配置，并对其源码进行解读。

学习笔记之——3D Gaussian SLAM，SplaTAM配置（Linux）与源码解读-CSDN博客SplaTAM全称是《SplaTAM: Splat, Track & Map 3D Gaussians for Dense RGB-D SLAM》，是第一个（也是目前唯一一个）开源的用3D Gaussian Splatting（3DGS）来做SLAM的工作。在下面博客中，已经对3DGS进行了调研与学习。其中也包含了SplaTAM算法的基本介绍。学习笔记之——3D Gaussian Splatting及其在SLAM与自动驾驶上的应用调研-CSDN博客。https://blog.csdn.net/gwplovekimi/article/details/135647242?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22135647242%22%2C%22source%22%3A%22gwplovekimi%22%7D在原博客中也对TUM-RGBD数据集的freiburg1_desk_seed0进行了测试，感觉效果一般般，为此本博文打算对下载的TUM几个序列都进行测试看看效果。

本博文为本人实验测试SplaTAM过程的实验记录，本博文仅供本人实验记录用~

目录

运行过程

rgbd_dataset_freiburg1_desk

rgbd_dataset_freiburg1_desk2

rgbd_dataset_freiburg1_room

rgbd_dataset_freiburg2_xyz

rgbd_dataset_freiburg3_long_office_household

总结与分析

---

运行过程

注意：要修改configs/tum/splatam.py中的scene_name来决定训练哪个序列

(之前的desk训练时间大概30分钟左右，还是打开一下tmux吧)
tmux new -s desk2 
tmux new -s room
tmux new -s xyz
tmux new -s household
 
(开启运行的环境)
conda activate splatam
 
（开始测试运行）
python scripts/splatam.py configs/tum/splatam.py

运行后，可以看到experiments文件如下：

忘记指定GPU了，都挤到一块板子上跑了

等待一段时间，下面看看再各个序列的测试效果

要训练完才可以可视化建图与定位的效果（注意跟训练一样要修改对应的config文件来选用序列，seed统一都为0）

（最终的建图效果）
python viz_scripts/final_recon.py configs/tum/splatam.py
 
（训练过程的可视化）
python viz_scripts/online_recon.py configs/tum/splatam.py

rgbd_dataset_freiburg1_desk

训练完结果如下：PSNR只有21.49算是比较差的吧，当然deth恢复的精度是3.38cm以及定位精度是3.34（论文里面是3.35）这个结果还是不错的。细看论文会发现，论文里面对于TUM数据集好像只用来验证定位精度，而mapping性能都是采用Replica与ScanNet++。目前不打算花太多时间去逐一验证了，有小伙伴验证了的话可以给个评论看看是否如论文的效果，因为在tum数据集上，个人感觉mapping效果一般般~

rgbd_dataset_freiburg1_desk2

结果如下：

这个效果比上面的要更差一些，可以发现各个性能指标都差一些（此处定位精度是是6.58cm，论文是6.54cm）。

可视化训练效果如下所示：

rgbd_dataset_freiburg1_room

结果如下（此处定位精度是11.49cm，论文结果是11.13cm）

可视化训练效果如下所示：

rgbd_dataset_freiburg2_xyz

结果如下图所示（论文给的结果是1.24cm这里跑出的结果是1.33cm）

这里的psnr还是比较高的，但是看下面视频效果却是很一般，感觉一开始的恢复效果是不如上面几个视频的，后面训练一段时间后，会有所变好。但是到下一轮一开始又还是渲染效果很差。个人思考是：一开始视角比较单一，左右上下移动，后面慢慢的越来越丰富就变好了，把一些artifacts去除掉~

可视化训练效果如下所示：

可视化最终重建效果如下所示（这个UI的体验真的不是一般的差，非常卡，不过也可能是因为我远程服务器可视化结果吧）：

rgbd_dataset_freiburg3_long_office_household

结果如下所示（tracking精度是5.16cm，而论文给出的结果也是5.16cm）

可视化训练效果如下所示：

总结与分析

综合下来，几个数据集下的表现，tracking的结果跟论文给出的差不多，而mapping的psnr都比较差（论文验证psnr性能指标是用其他几个数据集），而depth的恢复精度（L1）都是3~4cm这个结果还是比较好的（不过毕竟用了RGBD~）。

其次，对xyz序列的分析可发现，视角的差异（view coverage）确实对建图效果影响较大。详细见视频就非常直观了~

后面有时间再试试用手机实测来看看吧，不过目前看来用数据集测试的效果都比较差，实时性也很一般，比如rgbd_dataset_freiburg1_desk序列都训练30多分钟了，PSNR还只有21左右，应该3DGS性能不至于这样，可能是因为一些参数的设置包括剪枝等等的操作吧~感觉还是有比较大可以研究的空间~

关于可视化软件，用的是open3D（Open3D – A Modern Library for 3D Data Processing），它的快捷键定义如下

-- Mouse view control --
  Left button + drag         : Rotate.
  Ctrl + left button + drag  : Translate.
  Wheel button + drag        : Translate.
  Shift + left button + drag : Roll.
  Wheel                      : Zoom in/out.
 
-- Keyboard view control --
  [/]          : Increase/decrease field of view.
  R            : Reset view point.
  Ctrl/Cmd + C : Copy current view status into the clipboard.
  Ctrl/Cmd + V : Paste view status from clipboard.
 
-- General control --
  Q, Esc       : Exit window.
  H            : Print help message.
  P, PrtScn    : Take a screen capture.
  D            : Take a depth capture.
  O            : Take a capture of current rendering settings.

但是好像大部分命令按都无效，按H确实是有效的

对于重构好的模型，按鼠标左键就是旋转，按着ctrl+鼠标左键就是平移。这倒是可以的