这个周末玩点啥~🐞🍥环境安装💡安装C++编译工具💡安装Python💡安装CUDA💡添加ffmpeg到环境变量Path添加COLMAP-3.8-windows-cuda文件路径到环境变量Path💡pytorch安装💡tqdm安装💡diff-gaussian-rasterization安装💡simple-knn安装🍱路径配置💡1_视频转序列帧💡2_生成点云💡3_检查生成的点云💡4_训练💡5_打开训练结果🍭训练💡素材准备💡清空数据💡视频转序列帧💡生成点云💡检查点云💡训练开始💡查看训练结果🍨导入Unity💡打开示例工程💡创建资源💡资源加载🍔资源下载🍥环境安装💡安装C++编译工具💡安装Python注意勾

前言研究牲刚开学被老师分到自己一个人做3DGS+diffusion了，开始看论文。相同专业的可以一起交流啊https://arxiv.org/pdf/2311.14521.pdf文章目录前言1Introduction2RelatedWorks2.13DRepresentations2.23DEditing3Preliminary3.13DGaussianSplatting3.2基于扩散的编辑指导4Method4.1GaussianSemanticTracing4.2分层高斯溅射4.33D油画5Experiments5.1ImplementationDetails5.2定性比较5.3定量比较5.

在Ruby2.4.1中，我有这样的方法：defexample(*args,**kwargs)pargspkwargsend我可以通过位置论点不是哈希很好：irb(main):001:0>example("Greetings")["Greetings"]{}而且，如果我想使用命名参数，那也很好：irb(main):002:0>example(something:42)[]{:something=>42}但是，试图将哈希作为位置论点，这发生了：irb(main):002:0>example({something:42})[]{:something=>42}我想*args拿{something:42

标题：3DGaussianSplattingforReal-TimeRadianceFieldRendering作者：BernhardKerbl、GeorgiosKopanas、ThomasLeimkühler和GeorgeDrettakis，来自法国Inria、UniversitéCôted'Azur和德国Max-Planck-InstitutfürInformatik。发表时间：2023年8月，ACMTransactionsonGraphics上，卷号42，编号4 摘要提出了一种名为3DGaussianSplatting的新方法，用于实时辐射场渲染，这种方法可以在只需要很少的优化时间的同时

我正在尝试使用着色器加载地形上的四个纹理细节图block，方法是根据第五张图像合并它们，其中r、g、b和a组件用于确定每个纹理应该混合多少。混合工作正常，但是当我尝试添加我的“mixmap”图像时，它失败了，我猜是因为纹理坐标有问题。首先，这里是着色器:顶点着色器voidmain(){gl_TexCoord[0]=gl_MultiTexCoord0;gl_Position=ftransform();}片段着色器uniformsampler2DTexture0;uniformsampler2DTexture1;uniformsampler2DTexture2;uniformsampler

给定一组三维高斯点，渲染步骤大致为:1.camera space转成rayspace2.对像平面进行分块，然后对高斯排序3.正投影发出射线进行α-blending1.camera space->rayspace,3DGaussian->2DGaussian这个步骤将NeRF中的投影过程变为了正投影，引入了rayspace的概念，让3DGaussian变为2DGaussian.透视投影和正投影          一般的渲染过程都是透视投影,所有发出的ray都从camera发出，故而有个交点。splatting的方法则是用正投影，发射的ray全部平行于像平面。3DGaussiansplatting

本文为3DGSpaper的部分翻译。基于点的𝛼混合和NeRF风格的体积渲染本质上共享相同的图像形成模型。具体来说，颜色𝐶由沿射线的体积渲染给出：其中密度𝜎、透射率𝑇和颜色c的样本是沿着射线以间隔𝛿𝑖采集的。这可以重写为典型的基于神经点的方法通过混合与像素重叠的N个有序点来计算像素的颜色𝐶：其中c𝑖是每个点的颜色，𝛼𝑖是通过评估一个2D高斯，用协方差Σ乘以学习的每点不透明度。从等式2，3可以清楚地看到成像模型是相同的。然而，渲染算法却有很大不同。NeRF是隐式表示空/占用空间的连续表示；需要昂贵的随机抽样才能找到等式2中的样本。随之而来的噪声和计算开销。相比之下，点是一种非结构化、离散的表示形式

原文链接：https://arxiv.org/abs/2401.038901.引言NeRF在计算效率和可控性上具有局限性，这导致了3D高斯溅射（3DGS）的出现，重新定义了场景表达和渲染。3DGS通过引入新的场景表达技术，用大量的3D高斯表达场景。3DGS使用显式的表达和高度并行化的工作流程，促进高效计算和渲染；其创新在于混合了可微渲染与基于点的渲染技术的优势。3DGS保留了连续体积辐射场的理想特性（有利于高质量图像渲染），同时避免了渲染空空间带来的计算开销。此外，3DGS的显式表达提供了对场景的动态控制能力。2.背景2.1问题定义2.1.1辐射场辐射场是3D空间中光分布的表达，捕捉了环境中光

3DGS其一：3DGaussianSplattingforReal-TimeRadianceFieldRendering1.预备知识1.1球谐函数1.2Splatting1.3α\alphaαblending1.4多维高斯的协方差矩阵1.4.1高斯与椭球体的关系1.4.2世界坐标系下的三维高斯到二维像素平面投影过程2.3DGaussianSplatting2.1特点2.2流程与关键步骤2.2.1场景表达2.2.2整体流程2.3算法伪代码2.3.1整体流程伪代码2.3.2光栅化伪代码Reference：深蓝学院：NeRF基础与常见算法解析GitHub:gaussian-splatting原文官网

感谢B站意の茗的讲解。论文地址：https://arxiv.org/abs/2308.04079项目主页：https://repo-sam.inria.fr/fungraph/3d-gaussian-splatting/概述从已有点云模型出发（sfm），以每个点为中心建立可学习的3D高斯表达，Splatting方法进行渲染，实现高分辨率实时渲染。（推动NERF加速方向）能用训练好的点云在windows上进行实时渲染。随机初始化点云，不提供初始点云也行，在训练过程中可以对点云进行生长和修剪。（一般NeRF需要从COLMAP计算相机位姿，此时已经得到初始点云。）用instant-NGP的速度，实现