3DGS代码运行

2025-08-28

https://www.cnblogs.com/milton/p/18799695

1. 代码运行

git clone git@github.com:graphdeco-inria/gaussian-splatting.git --recursive
cd gaussian-splatting
conda env create --file environment.yml
conda activate gaussian_splatting
pip install submodules/diff-gaussian-rasterization
pip install submodules/simple-knn

可能会出现环境问题，需要注意cuda与torch版本，我这里用的

$ pip list
Package                     Version
--------------------------- ---------
Brotli                      1.0.9
certifi                     2024.8.30
charset-normalizer          3.4.0
colorama                    0.4.6
diff_gaussian_rasterization 0.0.0
fused_ssim                  0.0.0
idna                        3.10
joblib                      1.3.2
numpy                       1.21.6
opencv-python               4.12.0.88
Pillow                      9.2.0
pip                         22.3.1
plyfile                     0.8.1
PySocks                     1.7.1
requests                    2.32.2
setuptools                  69.0.3
simple_knn                  0.0.0
torch                       1.12.1
torchaudio                  0.12.1
torchvision                 0.13.1
tqdm                        4.67.1
typing_extensions           4.7.1
urllib3                     2.2.1
wheel                       0.42.0

$ nvcc --version
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2022 NVIDIA Corporation
Built on Thu_Feb_10_18:23:41_PST_2022
Cuda compilation tools, release 11.6, V11.6.112
Build cuda_11.6.r11.6/compiler.30978841_0

1
2
3

$ nvidia-smi
+---------------------------------------------------------------------------+
| NVIDIA-SMI 535.183.01   Driver Version: 535.183.01  CUDA Version: 12.2    |

1 2	>>> print("Torch CUDA:", torch.version.cuda) Torch CUDA: 11.3

2. 训练

需要先下载数据集

1
2

python train.py -s <path to COLMAP or NeRF Synthetic dataset>[~/code/gaussian-splatting/data/input/tandt_db/playroom] -m <./data/output>[~/code/gaussian-splatting/data/output/playroom]
# python train.py -s <path to COLMAP or NeRF Synthetic dataset> --eval # Train with train/test split

iteration_7000/, iteration_30000/
每隔一段迭代保存一次的快照。里面通常会有 point_cloud.ply（或其他名字），记录该时刻的高斯点云参数（位置、颜色、协方差、SH 系数等）。你可以加载这些文件做可视化，或者后续继续训练。
cameras.json
存放相机参数（内参、外参），训练时从 COLMAP / NeRF Synthetic 数据集解析出来的。后续渲染、指标计算都会用它。
cfg_args
保存训练时用的命令行参数/配置，比如学习率、批大小等，方便复现实验。
exposure.json
曝光相关的参数，训练过程中会对颜色/亮度做归一化或补偿。
input.ply
初始点云（通常来自 SfM/稀疏点云），是优化的起点。训练过程会 densify（增密）和 refine 出越来越多的高斯。

3. 测试

# 对于未训练的模型：
# python render.py -s <path to COLMAP dataset> #如 ./data/output
# 对于已训练的模型：渲染结果并保存图片
python render.py -m <./data/output>  #会在输出目录下生成选然后的图片（gt / renders)
# 评估
python metrics.py -m <path to pre-trained model> # Compute error metrics on renderings

4. 可视化

cd ~/code/tools/3dgs
git clone https://github.com/antimatter15/splat.git
cd splat
python3 convert.py ~/code/gaussian-splatting/data/output/drjohnson/point_cloud/iteration_30000/point_cloud.ply
cp ~/code/gaussian-splatting/data/output/drjohnson/point_cloud/iteration_30000/point_cloud.ply.splat ./drjohnson.splat
python3 -m http.server 8000

最后用vscode连接服务器的8000端口，输入http://localhost:8000/index.html?url=http://localhost:8000/drjohnson.splat