在上一篇文章中，我开始研究高斯泼溅（3DGS：3DGaussianSplatting）。它的问题之一是数据集并不小。渲染图看起来不错。但“自行车”、“卡车”、“花园”数据集分别是一个1.42GB、0.59GB、1.35GB的PLY文件。它们几乎按原样加载到GPU内存中作为巨大的结构化缓冲区，因此至少也需要那么多的VRAM，加上更多用于排序，加上在官方查看器实现中，平铺splat光栅化使用了数百MB。我可以告诉你，我可以将数据缩小19倍（分别为78、32、74MB），但看起来并不是那么好。仍然可以识别，但确实不好—但是，这些伪影不是典型的“低LOD多边形网格渲染”，它们更像是“空间中的JPG伪影
从已有的点云模型出发，以每个点为中心，建立可学习的高斯表达，用Splatting即抛雪球的方法进行渲染，实现高分辨率的实时渲染。1、主要思想1.引入了一种各向异性（anisotropic）的3D高斯分布作为高质量、非结构化的辐射场表达；从SFM点云出发，以每个点为中心生成3D高斯分布；各向异性指从各个方向看上去都长得不一样，即把一个点往不同相机位姿上投影的时候会投出不一样的样子。2.实现了使用GPU进行快速可微的渲染，允许各向异性的抛雪球（splatting）和快速反向传播；Splatting：计算机图形学里一个比较经典的用三维点进行渲染的方法，把三维点视作雪球往图像平面上抛，雪球在图像平面上
总结视频来源：https://www.youtube.com/watch?v=1buFrKUaqwM总结视频来源作者：AI葵3D高斯分布投影到图像上，每个像素投影到该像素上的高斯数不同，因此不能用pytorch并行化处理一、前向传播前向传播计算投影出来圆圈的半径计算圆圈覆盖的像素数（把画面分成了很多个方块，记录圆与哪些方块相连）计算每个高斯的前后顺序（alpha合成）计算每个像素的颜色1.preprocessCUDAdiff-gaussian-rasterization/cuda_rasterizer/forward.cu预处理CUDApreprocessCUDA函数用于解决第一个和第二个问题
CV玩家们，知道3D高斯吗？对，就是计算机视觉最近的新宠，在几个月内席卷三维视觉和SLAM领域的3D高斯。不太了解也没关系，我今天就来和同学们一起聊聊这个话题。3DGaussianSplatting（3DGS）是用于实时辐射场渲染的3D高斯分布描述的一种光栅化技术，具有高质量和实时渲染的能力。如果说NeRF等辐射场方法彻底改变了多张照片或视频主导的场景新视角合成的算法生态，那么3D高斯则是在NeRF的基础上，做到了在保持有竞争力的训练时间的同时实现最先进的视觉质量。不仅如此，我们都知道传统的NeRF渲染过于粗暴，且随机性较大，但基于3DGaussianSplatting的渲染技术则全面展现出了
最近学习了一些三维重建相关的内容，目前比较主要的重建流派就是3DGS以及NeRF，NeRF作为2020年发布的文章轰动一时，影响深远，有很多NeRFbased的相关工作在这些年涌现。3DGS作为2023年的newtalkofthetown，其在保证合成质量的情况下能够以数倍乃至数十倍的速度碾压许多NeRFbased的方法，因此得到了广泛关注。这篇文章从几个角度比较了NeRF（最初的版本）和3Dgaussiansplatting的异同，道行尚浅，若有错误，欢迎大家讨论、批评、指正。（原文中有一些词汇很难找到很恰当的中文翻译，为了不产生歧义在文中就直接使用了）1.数据输入（INPUT）NeRF：N
之前博客介绍了NeRF-SLAM，其中对于3DGaussianSplatting没有太深入介绍。本博文对3DGaussianSplatting相关的一些工作做调研。学习笔记之——NeRFSLAM（基于神经辐射场的SLAM）-CSDN博客文章浏览阅读967次，点赞22次，收藏21次。NeRF所做的任务是NovelViewSynthesis（新视角合成），即在若干已知视角下对场景进行一系列的观测（相机内外参、图像、Pose等），合成任意新视角下的图像。传统方法中，通常这一任务采用三维重建再渲染的方式实现，NeRF希望不进行显式的三维重建过程，仅根据内外参直接得到新视角渲染的图像。为了实现这一目的，
论文名称：GauHuman:ArticulatedGaussianSplattingfromMonocularHumanVideos论文下载地址：https://arxiv.org/abs/2312.02973项目主页：https://skhu101.github.io/GauHuman代码开源：https://github.com/skhu101/GauHuman背景3D数字人重建对于一系列应用场景，比如虚拟现实和辅助现实，有着非常大潜在性的影响。基于人体神经辐射场，现有方法可以从sparse-view的视频甚至单张图片中恢复出3D数字人。然而这些方法往往需要昂贵的计算时间（高达10小时）和
三维高斯…喷喷 \, 3DGaussianSplatting，下文简称3DGS，是好一段时间以来在三维内容创作和三维重建领域比较有热度的一项技术。它属于基于图像的三维重建方法，意思就是你对现实物体或者场景拍照片，就能给你训练成一个场景模型，能够被渲染出来给你看。 它产生的模型可以作为三维内容创作的资产，什么意思呢，就是你可以搞一点视频或者很多图片作为输入，丢进什么应用等一会就变成一个3DGS，最后过几个插件就可以拖进大家最爱的blender/ue/unity里面用啦。 所谓的辐射场方法意思就是它们会存一些辐射度（radiance），类似于存储你位于某个地点、从某个视角、看场景里面的各个点
之前博客进行了COLMAP在服务器下的测试实验笔记之——Linux实现COLMAP-CSDN博客文章浏览阅读794次，点赞24次，收藏6次。学习笔记之——NeRFSLAM（基于神经辐射场的SLAM）-CSDN博客NeRF所做的任务是NovelViewSynthesis（新视角合成），即在若干已知视角下对场景进行一系列的观测（相机内外参、图像、Pose等），合成任意新视角下的图像。传统方法中，通常这一任务采用三维重建再渲染的方式实现，NeRF希望不进行显式的三维重建过程，仅根据内外参直接得到新视角渲染的图像。之前博客跑instant-NGP的时候，除了用官方的数据集，用自己的数据则是通过手机采集
目录概念理解三维高斯喷洒渲染实例依赖项：编译报错：预训练模型13G：
