新手的论文笔记3DGaussianSplatting的笔记introductionRelatedwork预备知识Gaussiansplatting3D高斯泼溅原理Overview3DGaussianSplatting的笔记每次都是在csdn上找救命稻草，这是第一次在csdn上发东西。确实是个不错的笔记网站，还能同步，保存哈哈哈。印象笔记，Onenote逊爆了。研一刚开学两个月，导师放养，给的方向还贼大，发点东西还是想找到相似方向的可以一起交流交流。关于NeRF和3DGS的关系，这放个意の茗做的梗图：言归正传，一开始选题是nerf，但是最近3DGS好像要把NeRF干飞了，就赶快来凑凑热闹。如果想
文章目录前言一、方案概述生成式模型微调三维重建二、技术方案1.3D-R2N2介绍2.神经辐射场（NeRF）介绍3.IntelAIAnalyticsToolkit4.3DGaussianSplatting三、3D-R2N2生成点云资产1.模型定义2.环境搭建2.图像转换四、基于NeRF的静态场景资产nerf-pytorch训练legoIntelPyTorch优化五、基于Instant-ngp的开销提升替代方案六、GaussianSplattingtile-based渲染的投影高斯算法引入三维高斯分布使用Intel®NeuralCompressor加速训练自适应密度控制的优化高斯的自适应控制总结前
在线工具推荐：Three.jsAI纹理开发包-YOLO合成数据生成器-GLTF/GLB在线编辑-3D模型格式在线转换-3D场景编辑器3D高斯泼溅（Splatting）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，它允许实时渲染从小图像样本中学习到的逼真场景。本文将详细介绍它的工作原理以及它对图形学的未来意味着什么。1、什么是3D高斯泼溅？3D高斯泼溅的核心是一种光栅化技术。这意味着：有描述场景的数据。在屏幕上绘制数据。类似于计算机图形学中的三角形光栅化，用于在屏幕上绘制许多三角形：然而，它不是三角形，而是高斯分布。这是一个栅格化的高斯函数，为了清晰起见，绘制了边框：高斯泼溅由以下参数
KerblB,KopanasG,LeimkühlerT,etal.3dgaussiansplattingforreal-timeradiancefieldrendering[J].ACMTransactionsonGraphics(ToG),2023,42(4):1-14.3DGaussianSplatting是Siggraph2023的BestPaper，法国团队在会议上展示了其实现的最先进的场景渲染。该方法在训练时间和高质量的实时渲染之间实现了很好的权衡，在重建质量之高的情况下还能接入传统光栅化，优化速度也相当快。自从3DGaussianSplatting横空出世，整个NeRF圈波涛汹涌，
项目网址graphdeco-inria/gaussian-splatting:Originalreferenceimplementationof“3DGaussianSplattingforReal-TimeRadianceFieldRendering”(github.com)第一次在自己电脑上配环境（MX350显卡）环境配置以下是最初电脑所安装的内容：Anaconda32022.10-Windows-x86_64CUDA电脑只支持11.6，所以装的是11.6版本。虚拟环境配置出错记录使用git去克隆repositorygitclonehttps://github.com/graphdeco-
文章目录摘要一、前言二、相关工作2.13D表示2.2Text-to-3D2.3Image-to-3D三、本文方法3.1生成式高斯splitting3.2高效的mesh提取3.3UV空间的纹理优化四.实验4.1实施细节4.2定性比较4.3定量比较4.4消融实验总结（特点、局限性）五、安装与使用、代码解析5.1环境配置5.2如何使用：单张图/文本-生成3D5.3代码解析01.rembg库，自动剪掉背景02.self.prepare_train()03.生成位姿信息04.gaussians光栅化器的渲染04.loss损失：扩展1.Marchingcubes算法项目主页：https://dreamga
文章目录摘要一、前言二、相关工作1.传统的场景重建与渲染2.神经渲染和辐射场3.基于点的渲染和辐射场4.*什么是Tile-basedrasterizer(快速光栅化)三、OVERVIEW四、可微的三维高斯Splatting五、三维高斯自适应密度控制的优化1.优化2.高斯的自适应控制六、高斯分布的快速可微光栅化器（拓展）总结摘要辐射场方法改变了多张照片或视频主导的场景新视角合成。GaussianSplatting引入了三个关键元素，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，重要的是允许在1080p分辨率下实现高质量的实时（≥30fps）的新视图合成。1.首先，从摄像机校准过程中产生的稀
LSS:Lift,Splat,Shoot:EncodingImagesfromArbitraryCameraRigsbyImplicitlyUnprojectingto3D文章目录LSS:Lift,Splat,Shoot:EncodingImagesfromArbitraryCameraRigsbyImplicitlyUnprojectingto3D论文精读摘要（Abstract)1.介绍（Introduction）2.相关工作（RelatedWork)2.1单目目标检测（MonocularObjectDetection）2.2基于鸟瞰图框架的推测（InferenceintheBird's-E
项目地址原论文Abstract最近辐射场方法彻底改变了多图/视频场景捕获的新视角合成。然而取得高视觉质量仍需神经网络花费大量时间训练和渲染，同时最近较快的方法都无可避免地以质量为代价。对于无边界的完整场景（而不是孤立的对象）和1080p分辨率渲染，目前没有任何方法能达到实时显示率。我们引入了三个关键元素，使得能够达到sota视觉质量同时保证有竞争力的训练时间，而且重要的是可以高质量、实时（≥30fps\ge30fps≥30fps）、1080p分辨率的情况下新视角合成。首先，从摄像机校准过程中产生的稀疏点开始，我们用三维高斯来表示场景，既保留了用于场景优化的连续容积辐射场的理想特性，又避免了在空
论文：Lift,Splat,Shoot:EncodingImagesfromArbitraryCameraRigsbyImplicitlyUnprojectingto3D完整代码中文注释：https://github.com/ZhouZijie77/lift-splat-shoot-annotatedNVIDIA提出了一种多视角相机图像到3D空间BEV下的编码方法。Lift是指将多视角的相机图像从扁平的透视空间，“提升”到3维空间当中。Splat是指通过sumpooling操作将3维空间的特征“拍扁”成BEV特征。Shoot与运动规划有关，本文不做探究。Lift单目相机融合的难点在于像素的深度
