nerfstudio/sdfstudio 三维重建使用教程_nerfstudio导入自己模型

Nerf作为三维重建的未来，最近引起大为广泛的关注。Nerfstudio 提供了一个简单友好的 API，可以简化创建、训练和测试 NeRF 的端到端过程。该库通过模块化每个组件来支持更可解释的 NeRF 实现。通过更多模块化的NeRF，在探索该技术时创造更加用户友好的体验。
更进一步的，构建在强大的nerfstudio之上的SDFStudio 是一个统一的模块化框架，用于神经隐式表面重建，该库提供了三种主要隐式曲面重建方法的统一实现：UniSurf、VolSDF 和 NeuS。SDFStudio 支持各种场景表示，例如 MLP、三平面和多分辨率；特征网格和多点采样策略，例如 UniSurf 中的曲面引导采样和 NeuralReconW 中的体素曲面引导采样。它进一步集成了该领域的最新进展，例如单目线索的利用（MonoSDF）、几何正则化（UniSurf）和多视图一致性（Geo-NeuS）。由于统一和模块化的实现，SDFStudio 可以轻松地将想法从一种方法转移到另一种方法。例如，Mono-NeuS 将 MonoSDF 中的想法应用于 NeuS，而 Geo-VolSDF 将 Geo-NeuS 中的想法应用于 VolSDF。
本文记录根据sdfstudio官方文档教程的操作步骤：

1. conda创建环境

conda create --name sdfstudio -y python=3.9  #官方文档为3.8，也可以更高版本
conda activate sdfstudio
python -m pip install --upgrade pip
1
2
3

2. 安装torch cuda

pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 -f https://download.pytorch.org/whl/torch_stable.html

1
2

上述两步在正常网络下，不会出现什么问题。
3. 安装tinycudann
该步容易出现问题，最简单的安装是如下指令：

pip install git+https://github.com/NVlabs/tiny-cuda-nn/#subdirectory=bindings/torch
1

在笔者十多次的测试中，上述指令只有一次顺利通过。其余均出现：

针对该问题，笔者单独写了解决方案。
4. 安装sdfstudio

git clone https://github.com/autonomousvision/sdfstudio.git
cd sdfstudio
pip install --upgrade pip setuptools
pip install -e .
# install tab completion
ns-install-cli
1
2
3
4
5
6

如果前三步执行成功，该步一般不会出现问题。
5. 前四步成功配置好环境，现在开始进行三维重建测试

• 利用官方开源数据

# Download some test data: you might need to install curl if your system don't have that
ns-download-data sdfstudio

# Train model on the dtu dataset scan65
ns-train neus-facto --pipeline.model.sdf-field.inside-outside False --vis viewer --experiment-name neus-facto-dtu65 sdfstudio-data --data data/sdfstudio-demo-data/dtu-scan65

# Or you could also train model on the Replica dataset room0 with monocular priors
ns-train neus-facto --pipeline.model.sdf-field.inside-outside True --pipeline.model.mono-depth-loss-mult 0.1 --pipeline.model.mono-normal-loss-mult 0.05 --vis viewer --experiment-name neus-facto-replica1 sdfstudio-data --data data/sdfstudio-demo-data/replica-room0 --include_mono_prior True
1
2
3
4
5
6
7
8

• 个人录制视频，定制数据集
  sdfstudio支持视频输入，但笔者测试的图像集，可以利用ffmpeg将上述视频抽帧为图像集：

ffmpeg -i dome.mp4 -r 1 -f image2 dome/%04d.png
1

6. 转换数据格式
sdfstudio指定了标准的数据模式：

在上述个人定制数据集中，只有rgb图像，可以通过sdfstudio中自带的ns-process-data来进行数据预处理：

ns-process-data images --data ./data/dome/ --output-dir ./data/dome_colmap/
1

ns-process-data会调用colmap提取匹配特征，构建点云，得到相机位姿，输出transform.json文件。colmap有多种安装方式，最简单指令为：

conda install -c conda-forge colmap
1

可能需要科学上网，笔者通过该指令安装成功。也可以测试其他方式。ref1 ref2
colmap安装成功后，执行上述指令即可：

dome_colmap文件夹中为：

上述数据结构还不是sdfstudio指定的结构，还需要进一步处理
7. process_nerfstudio_to_sdfstudio
可以简单的执行下述指令得到可以处理的sdfstudio数据结构：

python scripts/datasets/process_nerfstudio_to_sdfstudio.py --data ./data/dome_colmap/ --output-dir ./data/dome_sdfs/ --data-type colmap --scene-type object

1
2

该指令输出的结果中缺失标准数据结构中的normal depth。为了得到每个图像的normal和depth，需要安装omnidata
下载源代码和预训练模型：

https://github.com/EPFL-VILAB/omnidata.git

sh ./tools/download_depth_models.sh
sh ./tools/download_surface_normal_models.sh

1
2
3
4
5

接着在虚拟环境sdfstudio中安装omnidata/omnidata_tools/torch/requirements.txt指定的第三方库，从而保证可以正确执行omnidata中的程序。实际上requirements中要求的库，sdfstudio已经具有，可以通过conda list来考察还缺少哪些库，再逐步安装即可，安装的版本也无需按照requirements中所指定的。

pip install -r requirements.txt # 根据conda list删除已经有的库
1

执行下述指令，即可得到带normal depth的数据结构：

python scripts/datasets/process_nerfstudio_to_sdfstudio.py --data ./data/dome_colmap/ --output-dir ./data/dome_sdfs/ --data-type colmap --scene-type object --omnidata-path ../omnidata/omnidata_tools/torch/ --pretrained-models ../omnidata/omnidata_tools/torch/pretrained_models/ --mono-prior  # omnidata路径自行调整
1

如果出现图像尺寸不一致问题，直接将 assert所在的语句注释即可。

8. 开始训练

ns-train neus-facto --pipeline.model.sdf-field.inside-outside False --vis viewer sdfstudio-data --data ./data/dome_sdfs/
1

笔者写这篇博客时正在运行nerfstudio中数据，上述训练迭代正是nerfstudio过程，当再执行上述sdfstudio训练时，就会报如下端口冲突错误：

后续可以更改端口，同时执行nerfstudio和sdfstudio。
因为服务器无法打开浏览器，可以通过端口映射，在本地查看训练过程。

ssh -L 7007:localhost:7007 -p port username@IP
1

笔者训练过程中发现，自己的训练速度远慢于官方文档，官方所用显卡为3090，笔者所用服务器显卡为A100，理论上要更快，背后原因笔者还在排查，欢迎各位批评指正！

9. mesh and render

# extract mesh
ns-extract-mesh --load-config outputs/neus-facto-dome/XXX/config.yml --output-path meshes/neus-facto-dome.ply  # config.yml路径自行调整，训练结果保存在outputs中

# render
ns-render-mesh --meshfile meshes/neus-facto-dome.ply --traj interpolate  --output-path renders/neus-facto-dome.mp4 sdfstudio-data --data data/dome_sdfs/
1
2
3
4
5

训练得到的dome点云如下，与实际图像大相径庭（一波三折后还是这个结果，一时接受不了）：

结果还没有直接利用colmap重建的好：

考虑到基于nerf的训练方法涉及的参数细节较多，后续需要进一步排查原因，欢迎批评指正。