永久免费的wap建站平台,网站管理机制建设情况,济南信息网,网站推广工作好做吗之前博客进行了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#xff0c;点赞24次#xff0c;收藏6次。学习笔记之——NeRF SLAM#xff08;基于神经辐射场的SLAM#xff09;-CSDN博客NeRF 所做的任务是 Novel View Synthesis#xf…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——NeRF SLAM基于神经辐射场的SLAM-CSDN博客NeRF 所做的任务是 Novel View Synthesis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同时获得pose与image。https://blog.csdn.net/gwplovekimi/article/details/135389922?spm1001.2014.3001.5501而下面两个博客则分别实现了NGP与3DGS
实验笔记之——基于Linux服务器复现Instant-NGP及常用的tmux指令-CSDN博客文章浏览阅读255次点赞7次收藏6次。学习笔记之——NeRF SLAM基于神经辐射场的SLAM-CSDN博客NeRF 所做的任务是 Novel View Synthesis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。配置好后通过./instant-ngp或者scripts/run.py就可以运行了。这个编译好像比较耗费时间~https://blog.csdn.net/gwplovekimi/article/details/135365847?spm1001.2014.3001.5501实验笔记之——Gaussian Splatting-CSDN博客文章浏览阅读691次点赞23次收藏8次。之前博客对NeRF-SLAM进行了调研学习笔记之——NeRF SLAM基于神经辐射场的SLAM-CSDN博客NeRF 所做的任务是 Novel View Synthesis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。https://blog.csdn.net/gwplovekimi/article/details/135349210?spm1001.2014.3001.5501这两篇博客中测试public的数据集效果都不错但是用iphone的record3D录制的要么不能用要么效果很差为此统一采用COLMAP来计算pose再次进行测试以及对比两个方法 目录
基于COLMAP的3DGS
基于COLMAP的NGP
3DGS训练好的模型加载进行可视化 基于COLMAP的3DGS
GitHub - graphdeco-inria/gaussian-splatting: Original reference implementation of 3D Gaussian Splatting for Real-Time Radiance Field Rendering
首先分别运行下面的命令来启动3DGS并可视化其在线训练的过程
conda activate 3DGScd gaussian-splatting/python train.py -s /home/gwp/dataset/30fps下面在MobaXterm下运行conda activate 3DGScd gaussian-splatting/./SIBR_viewers/install/bin/SIBR_remoteGaussian_app
训练5分钟左右的结果 训练过程的各种视角请见下视频 基于COLMAP测试3D Gaussian Splatting训练过程可视化 基于COLMAP的NGP
GitHub - NVlabs/instant-ngp: Instant neural graphics primitives: lightning fast NeRF and more
https://github.com/NVlabs/instant-ngp/blob/master/docs/nerf_dataset_tips.md
由于NGP支持的数据格式跟3DGS稍有不同为此需要进行处理 对于参数“aabb_scale ”如说明文档所言
“The aabb_scale parameter is the most important instant-ngp specific parameter. It specifies the extent of the scene, defaulting to 1; that is, the scene is scaled such that the camera positions are at an average distance of 1 unit from the origin. For small synthetic scenes such as the original NeRF dataset, the default aabb_scale of 1 is ideal and leads to fastest training. The NeRF model makes the assumption that the training images can entirely be explained by a scene contained within this bounding box. However, for natural scenes where there is a background that extends beyond this bounding box, the NeRF model will struggle and may hallucinate floaters at the boundaries of the box. By setting aabb_scale to a larger power of 2 (up to a maximum of 128), the NeRF model will extend rays to a much larger bounding box. Note that this can impact training speed slightly. If in doubt, for natural scenes, start with an aabb_scale of 128, and subsequently reduce it if possible. The value can be directly edited in the transforms.json output file, without re-running the scripts/colmap2nerf.py script.”
aabb_scale 参数是最重要的 instant-ngp 特定参数。指定场景的范围默认为1也就是说场景被缩放使得摄像机位置距原点的平均距离为 1 个单位。对于小型合成场景例如原始 NeRF 数据集默认的 aabb_scale 1 是理想的并且可以实现最快的训练。 NeRF 模型假设训练图像可以完全由该边界框内包含的场景来解释。然而对于背景超出此边界框的自然场景NeRF 模型将陷入困境并可能在框的边界处产生“漂浮物”的幻觉。通过将 aabb_scale 设置为更大的 2 次方最大可达 128NeRF 模型会将光线扩展到更大的边界框。请注意这可能会稍微影响训练速度。如果有疑问对于自然场景请从 128 的 aabb_scale 开始然后在可能的情况下减小它。该值可以直接在transforms.json输出文件中编辑无需重新运行scripts/colmap2nerf.py脚本。
那么此处就先设置为128吧~
data-folder$ python ~/instant-ngp/scripts/colmap2nerf.py --colmap_matcher exhaustive --run_colmap --aabb_scale 128
注意图片的文件名字需要是images当然也可以通过输入参数修改了 过程感觉跟3DGS中的差不多~也是一样的耗时hhh记得要开tmux只是数据格式支持不一样~ 不知道为啥生成的transform.json只有2个camera~
改为下面的命令测试则可以了添加了--colmap_camera_model SIMPLE_PINHOLE
data-folder$ python ~/instant-ngp/scripts/colmap2nerf.py --colmap_matcher exhaustive --run_colmap --aabb_scale 32 --colmap_camera_model SIMPLE_PINHOLE 同时用colmap gui也试试 NGP的运行代码如下
conda activate nerf-ngpcd instant-ngp/./instant-ngp /home/gwp/dataset/30fps_for_ngp/
结果如下图所示 虽然渲染久一些效果会有点提升 但是这个效果应该是不如3DGS的~这可能也跟上面提到的aabb_scale有关
把值从32改为1的效果如下 好像更差~那改为128呢 好像有点提升但是比起3DGS还是差一些~
渲染的过程可视化如下 基于COLMAP测试Instant-NGP训练过程可视化 3DGS训练好的模型加载进行可视化
上面的测试中都是边训练边看效果此处看看直接训练好开奖的结果吧哈~
如下图所示大概半个小时左右训练好了一个3DGS看着PSNR还挺高的打算加载看看效果~ 平时边训练边看结果的代码如下
conda activate 3DGScd gaussian-splatting/./SIBR_viewers/install/bin/SIBR_remoteGaussian_app
但如果当前没有训练会看到加载的空空如也~
细看gaussian-splatting/的文件组成会发现它会把训练的结果保存在output中 这个就是当前训练好的模型了。如果要指向某个训练好的模型应该是
./SIBR install dir/bin/SIBR_gaussianViewer_app -m path to trained model./SIBR_viewers/install/bin/SIBR_gaussianViewer_app -m /home/gwp/gaussian-splatting/output/1f6d93f1-5/
效果如下视频所示 基于COLMAP测试3D Gaussian Splatting训练好的模型
