Skip to content

Latest commit

 

History

History
124 lines (101 loc) · 4.89 KB

README.md

File metadata and controls

124 lines (101 loc) · 4.89 KB
Raw

3D Gaussian Splatting for Real-Time Radiance Field Rendering

环境配置

https://github.com/graphdeco-inria/gaussian-splatting

新增功能

  • 支持nerfstudio的transform.json格式数据
  • 支持来自polycam的transform_polycam.json格式数据
  • 支持来自大疆制图的transform.json格式数据和对应的点云init
  • 提供来自slam的数据转换脚本
  • 支持渲染深度图
  • 支持来自单目深度估计的深度监督
  • 基于taichi的全新可视化界面，支持场景编辑，场景导入等功能

分割分支功能

  • 支持分割结果交互可视化
  • 支持结合分割的删除复制等场景编辑
  • 分割图的实时查看以及渲染结果导出

数据集准备及模型训练

参考原repo：https://github.com/graphdeco-inria/gaussian-splatting

nerfstudio(polycam以及rtk)格式数据训练

数据准备：

|- dataset
|- |- images
|- |- images_2
|- |- images_4
|- |- images_8
|- |- transforms.json
|- |- points3d.ply (可选，从slam生成或者从sfm生成)

训练模型：

python train.py -s --eval # Train with train/test split

slam获取的数据训练

数据准备：

|- slam dataset
|- |- images
|- |- images_2
|- |- images_4
|- |- images_8
|- |- Keyframes.txt（comap格式）
|- |- points3d.ply (可选，slam生成)
  • 首先需要进行数据转换

python process_data/slam2nerf.py #将路径改为slam得到的数据集路径

此脚本还支持对数据集的一些规则划分方法，如序列划分以及localrf中提到的划分方法

  • 得到nerfstudio格式的数据

    |- dataset |- |- images |- |- images_2 |- |- images_4 |- |- images_8 |- |- transforms.json |- |- points3d.ply (可选，从slam生成或者从sfm生成)

深度图渲染

根据PR：https://github.com/graphdeco-inria/gaussian-splatting/pull/30，实现了对深度图的渲染

python render.py -m # Generate renderings

深度监督

在深度渲染的基础上，参考Towards Robust Monocular Depth Estimation: Mixing Datasets for Zero-shot Cross-dataset Transfer 实现了深度监督损失

如何启动深度监督？

1.运行单目深度估计DPT算法估计数据集的深度图

python DPT/run_monodepth.py #修改数据集路径

  1. 算法将会自行检测数据集路径下是否存在命名为depth的文件夹，如果存在，将会读取图像并进行深度监督

python train.py -s --using_depth(可选) --eval # Train with train/test split --depth_loss_choice in ["localrf", "rank_loss", "continue_loss, "hybrid_loss", "l1_loss"]

外观潜入学习

python train.py -s --able_appearance_embedding(可选，是否学习外观潜入来应对光照变化剧烈的场景) --eval # Train with train/test split

segment 3DGS

首先切换到分割分支

git checkout add_segment_feature_with_3d_mean

其次根据标注的分割结果更改光栅器的分割配置，并重新编译

vi submodules/diff-gaussian-rasterization/cuda_rasterizer/config.h cd submodules/diff-gaussian-rasterization $$ pip install -v -e .

发起训练并指定启用分割

python train_segment.py -s --using_seg --eval -r 4

基于taichi的可视化界面

特征

  • 背景裁剪
  • 场景融合(融合多个子场景联合渲染)
  • 场景编辑(放大，缩小，移动，旋转等)
  • 子场景编号投影(可以更好的选择子场景)
  • 深度渲染
  • 协方差缩放渲染

按键介绍

  • 旋转平移

    q(上移) w(前) e(下移)  |  u      i(上旋) o
a(左)   s(后) d(右)   |  j(左旋) k(下旋) l(右旋)

  • z 协方差尺度控制[1.0, 0.25, 0.1, 0.01, 0.001]

  • c clip模式切换[True, False]

  • v 保存当前裁剪场景

  • b 子场景复制，直接复制crop到的区域为子场景表示

  • n 主场景移除，删除crop的区域从而达到物体移除的效果

  • g 子场景编号投影

  • p 投影模式切换[xyz, bbox, none]（在crop 模式下执行）

  • r 渲染训练路径图像

  • 1~9 场景选择按钮，选择对应的子场景

  • , 添加关键帧

  • . 删除关键帧

  • SPACE(空格) 关键帧插值渲染

  • x 依次分割标注的物体
  • m 添加分割图渲染模式[segment(全景分割图), hybrid(与rgb结果叠加)]

python visualizer.py -m model_path --fast_gui（是否使用图像cache来加速，开启无法启用cilp功能） --low_memory（是否只load pose，从而减少内存消耗） -r（render 分辨率）

QA

Q1：分割光栅器从哪里下载？ A1: 光栅器独立于该算法库存在，需要从 https://codeup.aliyun.com/62bad13611fc0f0c9e2adf9d/library-robot/diff-gaussian-rasterization.git clone