不用COLMAP也能重建3D3dgs-mcmc随机初始化模式让普通照片直达3D高斯模型【免费下载链接】3dgs-mcmc[NeurIPS 2024 Spotlight] Implementation of the paper 3D Gaussian Splatting as Markov Chain Monte Carlo项目地址: https://gitcode.com/gh_mirrors/3d/3dgs-mcmc3dgs-mcmc是 NeurIPS 2024 Spotlight 论文3D Gaussian Splatting as Markov Chain Monte Carlo的官方开源实现。它用随机初始化 马尔可夫链蒙特卡洛MCMC采样替代传统 3D 高斯泼溅3D Gaussian Splatting对 COLMAP 稀疏点云的依赖让你只凭一组普通照片就能训练出又快又清晰的 3D 高斯模型。为什么传统 3D 重建让新手望而却步传统 3DGS 流程有个隐藏门槛必须先跑 COLMAP 做特征匹配和稀疏重建得到points3D.ply作为高斯的初始位置。这一步在照片数量多、纹理重复的场景下经常卡顿甚至失败对新手极不友好。3dgs-mcmc 的思路是初始点云根本不重要让训练过程自己长出来。随机初始化模式是怎么工作的核心逻辑在 scene/dataset_readers.py 的readColmapSceneInfo中--init_type random默认值在相机包围球内随机撒出10 万个点num_pts100000位置和颜色全部随机完全跳过 COLMAP 点云--init_type sfm走老路用 COLMAP 稀疏点云初始化。训练过程中MCMC 的生-死机制接管一切见 train.py 第 124-127 行与 scene/gaussian_model.py步骤作用relocate_gs把不透明度过低的死高斯重定位到有价值的区域重定位逻辑在 utils/reloc_utils.pyadd_new_gs在不超过--cap_max上限时新生高斯直到数量达标相当于用噪声学习率--noise_lr驱动高斯做随机游走模型自己决定哪里需要更精细的几何——这就是为什么随机起点也能收敛出高质量结果。一键安装步骤项目基于原版 3DGS 代码库构建已验证环境为 Ubuntu 20.04# 1. 克隆仓库 git clone --recursive https://gitcode.com/gh_mirrors/3d/3dgs-mcmc cd 3dgs-mcmc # 2. 创建 Python 3.8 环境 conda create -y -n 3dgs-mcmc-env python3.8 conda activate 3dgs-mcmc-env # 3. 安装依赖PyTorch 1.13.1 CUDA 11.7 pip install plyfile tqdm torch1.13.1cu117 torchvision0.14.1cu117 torchaudio0.13.1 --extra-index-url https://download.pytorch.org/whl/cu117 conda install cudatoolkit-dev11.7 -c conda-forge # 4. 安装两个 CUDA 子模块 CUDA_HOMEPATH/TO/CONDA/envs/3dgs-mcmc-env/pkgs/cuda-toolkit/ pip install submodules/diff-gaussian-rasterization submodules/simple-knn/随机初始化训练命令数据集需包含images/目录和 COLMAP 相机参数sparse/0/。完整命令python train.py --source_path PATH/TO/Shape --config configs/bicycle.json --eval --init_type random每个场景的预设配置都在 configs/ 目录下如 configs/bicycle.json 中设定了cap_max: 5900000和resolution: 4。论文所有实验的关键参数见 README.md参数作用论文默认值--init_type初始化方式random / sfmrandom--cap_max高斯数量上限必填随场景见 configs--scale_reg尺度正则项防止高斯无限膨胀0.01--opacity_reg不透明度正则项0.01--noise_lrMCMC 噪声学习率5e5训练完成后可用 render.py 渲染视频full_eval.py 配合 metrics.py 批量计算 PSNR/SSIM/LPIPS 指标。⚠️ 小技巧scale_reg和opacity_reg是 MCMC 模式的稳定器如果渲染结果出现上图这种模糊或飞散可适当调大这两个值。总结零门槛起点--init_type random免去 COLMAP 稀疏重建照片目录 相机参数即可开训MCMC 自动寻优重定位 新增高斯的生-死过程让 10 万随机点自我进化成精细模型⚡实时渲染官方对比图中 bicycle 场景仅需 6 分钟训练即可达到 PSNR 23.6、135 fps 的渲染速度。想深入了解算法细节可以直接阅读 docs/paper.pdf 论文原文祝重建愉快【免费下载链接】3dgs-mcmc[NeurIPS 2024 Spotlight] Implementation of the paper 3D Gaussian Splatting as Markov Chain Monte Carlo项目地址: https://gitcode.com/gh_mirrors/3d/3dgs-mcmc创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考