3D Gaussian Splatting 真实场景的光场图像渲染

一、基本原理实现

​ 3DGS 将稀疏的点云变成 3D 空间中的椭球体，每个椭球体拥有位置、颜色、不透明度、协方差（大小），当混合在一起时，可以产生从任何角度渲染的完整模型的可视化效果；

整体框架

1. 通过 SfM 获取初始化稀疏点云（采样点）；
2. 基于初始化点云生成 3D 高斯椭球集；
3. 利用投影矩阵将 3D 高斯椭球投影的 2D 平面；
4. 进行场景渲染（分 tile 16*16）；
5. 计算 Loss 以及梯度回传；
6. 基于梯度自适应改变点云的分布方式；

二、构建场景数据

​ 针对实际场景重建需要获取场景各个角度的图片，并且每张照片尽量保持一致的曝光。由于也可以录制视频提取单帧来获取图片，因此构建场景数据集主要通过以下两种方式：

• 获取重建场景各个角度图片，尽量保持一致曝光，推荐100-1000张；

• 利用 FFMPEG工具构建真实场景数据集

  ​ 使用的基本命令如下，video_addr 指的是实际视频文件地址，FPS 主要影响每秒采多少帧的图像：

ffmpeg -i {video_addr} -qscale:v 1 -qmin 1 -vf fps={FPS} %04d.jpg

• 构建的场景数据集

  

• 数据集目录结构

<dataset_name>
|---input
|   |---<image 0>
|   |---<image 1>
|   |---...

三、获取相机位姿

​ 3DGS 需要利用稀疏点云作为输入进行建模，因此我们需要针对场景数据集建立点云。本项目中我们可以利用 COLMAP 获取相机位姿建立点云，安装完成后在终端执行以下命令，完成相机位姿和点云的建立：

python convert.py -s data/dataset_name

• 可视化相机位姿与点云

  借助 COLMAP 工具我们可以对真实场景建立稀疏点云以及对应的相机位姿。

• 数据集目录结构

<dataset_name>
|---input
|---distorted
|---images
|---sparse
|   |---0
|   |   |---cameras.bin
|   |   |---images.bin
|   |   |---points3D.bin
|---stereo
|---...

四、3DGS训练模型

​ 针对构建好的真实场景数据以及 COLMAP 估计出的相机位姿，利用 3DGS 训练场景数据集对应的模型：

python train.py -s data/playroom

• 模型训练损失

• 场景渲染对比

​ 训练完成后，会得到如下目录结构，其中 point_cloud.ply 就是训练好的点云模型文件。

output
|---<Env_ID>
|   |---point_cloud
|   |   |---iteration_7000
|   |   |   |---point_cloud.ply
|   |   |---iteration_30000
|   |   |   |---point_cloud.ply
|   |---cameras.json
|   |---cfg_args
|   |---events.out...
|   |---input.ply

五、渲染真实场景

​ 利用 SIBR Viewers 可以利用训练好的模型文件渲染实际场景，具体在终端执行以下命令：

./viewers/bin/SIBR_gaussianViewer_app -m <path to trained model>

• 整体渲染效果

• 不同缩放系数的影响
  直观地感受到，从最开始的稀疏点云建立的椭球形模型不断优化，逐渐的渲染出整个实际场景。
  

六、其他真实场景的渲染

从构建的数据集以及渲染结果得出，场景视角越多，渲染出的场景图像质量越高，对于最后一个教学楼数据集，仅从单个视角构建图像时，渲染的3D场景效果就非常差。因此，如果想要得到质量更高的渲染场景，可以从多个视角拍摄一段连续的视频，再从中提取帧构造场景数据集。

## 7、Tips

在自己拍摄数据集的时候：
需要场景的各个角度的图片，推荐100-1000张。数量过少会导致模型质量不够，数量过多会导致过长的训练时间。为了保持更好的效果，每张照片需保持一致的曝光。