宛城区微网站开发整站优化cms

        最近3D Gaussian Splatting很火，网上有很多复现过程，大部分都是在Windows上的。Linux上配置环境会方便简单一点，这里记录一下我在Linux上复现的过程。

        Windows下的环境配置和编译，建议看这个up主的视频配置，讲解的很细致：3D Gaussian Splatting從0開始到Unreal與Unity-( pzman )_哔哩哔哩_bilibili

---

预先准备

        一支MP4格式的视频，可以是你用手机拍摄的任何一个你想要重建的物体或者环境的视频。

        Gaussian Splatting的源码，源码地址：GitHub - graphdeco-inria/gaussian-splatting: Original reference implementation of "3D Gaussian Splatting for Real-Time Radiance Field Rendering"

---

一、环境配置与准备

1.下载Gaussian Splatting的源码

git clone https://github.com/graphdeco-inria/gaussian-splatting --recursive

2.安装CUDA

        这个这里就不赘述了，需要注意的是官方说使用11.6版本的CUDA会有问题,。官方使用的是11.8版本的，所以需要确保你的CUDA版本高于11.8，使用下面的命令查看你的CUDA版本：

nvcc --version

 3.使用conda安装依赖库，并创建虚拟环境

        首先进入上面从GitHub上clone下载来的gaussian-splatting源码路径，在里面我们可以看到一个 environment.yml 文件，里面提供了需要的依赖库的名字，直接使用下面的命令执行会自动为你创建一个名为 gaussian_splatting 的conda虚拟环境，并开始安装所需要的依赖库：

conda env create --file environment.yml

        等待安装完毕后，激活创建的conda虚拟环境：

conda activate gaussian_splatting

 4.安装FFmpeg

        这里主要是为了提取拍摄的视频中的图片，如果有数据集的话也可以不用安装。

        由于安装别的依赖的时候，可能会装了FFmpeg，但是使用起来会有问题。这里建议先把环境中使用FFmpeg删除再重新安装：

// 删除所有安装的 ffmpeg
sudo apt-get remove ffmpeg
sudo apt-get purge ffmpeg
// 删除 Anaconda ffmpeg 模块
conda remove ffmpeg
重新安装
sudo apt-get install ffmpeg

 5.安装colmap

        这里安装colmap是为了从图片生成点云，因为gaussian splatting的输入是点云。如果有colmap生成的数据集或者NeRF格式的数据集也可以直接使用。

        编译安装colmap可以查看我的另一篇博客：Linux 编译安装colmap_linux colmap-CSDN博客

6.安装viewers

        这个工具是最后查看我们训练完后的结果的可视化，这里建议下载Windows下的，把Linux下的训练结果放到Windows下查看。因为Linux下需要源码编译，比较麻烦。

        Windows安装包下载地址：https://repo-sam.inria.fr/fungraph/3d-gaussian-splatting/binaries/viewers.zip

---

二、开始训练

        1.首先进入Gaussian Splatting源码的路径下，然后创建一个data文件夹，并把准备的MP4格式的视频放到data文件夹下，我这里视频的名字为input.MP4。

        2.使用FFmpeg截取视频帧为图片，在data目录下创建input目录，使用下面的代码可以截取视频帧并把图片放到input目录下：

ffmpeg -i input.mp4 -vf "setpts=0.2*PTS" input/input_%4d.jpg

        3.进入到源码的目录下，使用源码中的 convert.py 文件生成点云，其中就是调用colmap生成点云，所以需要先安装好colmap，运行后的data文件夹中目录结构如下：

python convert.py -s data

        4.开始训练，接下来等待训练完即可：

python train.py -s data -m data/output

        训练完成后，可以看到在data文件夹下生成了一个output文件夹，里面就是我们的训练结果。input.ply是描述重建后的顶点和表面的模型文件，point_cloud下是7000步和30000步时的训练结果：

        5.最后一步，可视化训练的结果。

        这里是在Windows下使用的官方提供的Viewer工具，下载链接放在上面了，下载完后只要解压就行了。解压后是一个名字是viewers的文件夹，进入这个文件夹，然后把训练结果的output文件夹放在下面，在该文件夹下打开cmd，使用下面的命令运行：

.\bin\SIBR_gaussianViewer_app -m output

         大功告成！