用3D高斯泼溅(3DGS)重建自己的数据_3dgs算法部署

几乎可以下结论：3D Gaussian Splatting(3DGS)技术的出现，宣告了NeRF时代的结束。犹如transformer当年对CNN的打击。
一个集高渲染质量、分钟级重建速度、实时渲染速度为一身的三维重建算法3DGS，毫无疑问开创了一个新的时代。本文不对3DGS的原理做太深入的解读，只做实验。

1. 准备自己的数据：
我们规定一个路径（你自己任意命名），为方便为这里命名为folder_A，在folder_A下，你放入文件夹images，如下：

├── images
│   ├── 00001.png
│   ├── 00002.png
│   ├── 00003.png
│   ├── 00004.png
│   ├── ...
│   ├── 00057.png
│   ├── 00058.png
│   └── 00059.png
1
2
3
4
5
6
7
8
9

一个图像文件夹，每个视角各一张图片，命名方式如上。

2. 用COLMAP跑出稀疏点云，这一步为了给3DGS做初始化：
打开我们的数据路径folder_A：

cd /path/to/folder_A
colmap automatic_reconstructor \
    --workspace_path . \
    --image_path ./images \
	--sparse 1 \
	--dense 0 \
	--camera_model SIMPLE_PINHOLE
1
2
3
4
5
6
7

这一步的关键在于，--camera_model一定要选用【SIMPLE_PINHOLE】，因为colmap会默认选用【SIMPLE_RADIAL】，而这个是3DGS不支持的模式。然后，记得加上【–dense 0】，因为COLMAP会自动开启dense点云重建，但3DGS只需要sparse即可，为了节约时间可以把dense关掉。

安装COLMAP可以参考《官方文档》，链接可戳。

3. 用3DGS跑数据：

git clone https://github.com/graphdeco-inria/gaussian-splatting --recursive
# after install requirements
# ...
# ...

cd gaussian-splatting
 python train.py -s /path/to/folder_A --model_path /path/to/folder_B/
1
2
3
4
5
6
7

folder_A是数据路径，folder_B是结果路径。大家可自命名。

本文由本人亲自整理，实验获得成功。如有疑问，请留言交流～