<picture> <img alt="gaustudio" src="https://yellow-cdn.veclightyear.com/835a84d5/c221b20c-4d52-41dc-a654-8ec1f495980d.PNG" width="30%"> </picture> GauStudio是一个模块化框架，支持并加速在快速发展的3D高斯散射（3DGS）及其多样化应用领域的研究和开发。 <img alt="gaustudio" src="https://github.com/GAP-LAB-CUHK-SZ/gaustudio/assets/40767265/c7ae8183-583f-4467-ab67-e34c77c3bfd6" width="100%">

论文 | 文档（即将推出）

以下是经过改进的文本，结构和流程更佳：

数据集

百度网盘下载 | Hugging Face下载（即将推出）

为全面评估3DGS方法在不同光照条件、材质和几何结构下的鲁棒性，我们精心策划了以下数据集：

1. COLMAP格式的5个合成数据集集合

我们整合了5个合成数据集：nerf_synthetic、refnerf_synthetic、nero_synthetic、nsvf_synthetic和BlendedMVS，共143个复杂的真实场景。为确保兼容性，我们利用COLMAP基于原始姿态进行特征匹配和三角测量，统一将所有数据转换为COLMAP格式。

2. 具有高质量法线标注和LoFTR初始化的真实场景

COLMAP格式的MuSHRoom：为解决获取室内场景数据（如ScanNet++）的困难，我们基于公开可用的MuSHRoom数据集处理并生成了兼容COLMAP的数据。请记得在原许可证下使用此数据。
更完整的Tanks and Temples：为解决Tanks and Temples测试集缺乏真实姿态的问题，我们将MVSNet提供的姿态信息转换生成了COLMAP格式数据。这支持在更广泛的室内外场景上评估算法。排行榜提交脚本将在后续版本中发布。
法线标注和LoFTR初始化：为应对稀疏视点和镜面高光区域等建模挑战，我们基于私有模型标注了高质量、时间一致的法线数据，为室内和无界场景3DGS重建提供了新途径。标注代码将soon发布。此外，我们提供基于LoFTR的初始点云，以支持更好的初始化。

安装

安装软件前，请注意以下步骤已在Ubuntu 20.04上测试。如果在Windows上安装遇到任何问题，我们愿意解决这些问题。

先决条件

NVIDIA显卡，至少6GB显存
已安装CUDA
Python >= 3.8

可选步骤：创建Conda环境

建议在安装前创建conda环境。你可以使用以下命令创建conda环境：

# 创建新的conda环境
conda create -n gaustudio python=3.8
# 激活conda环境
conda activate gaustudio

步骤1：安装PyTorch

你需要安装PyTorch。本软件已在torch1.12.1+cu113和torch2.0.1+cu118版本上测试，但其他版本应该也能正常工作。你可以使用conda安装PyTorch，如下所示：

# 安装PyTorch 1.12.1+cu113版本的示例命令
conda install pytorch=1.12.1 torchvision=0.13.1 cudatoolkit=11.3 -c pytorch

# 安装PyTorch 2.0.1+cu118版本的示例命令
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118

步骤2：安装依赖

运行以下命令安装必要的依赖：

pip install -r requirements.txt

步骤3：安装自定义光栅化器和Gaustudio

cd submodules/gaustudio-diff-gaussian-rasterization
python setup.py install
cd ../../
python setup.py develop

可选步骤：安装PyTorch3D

如果你需要网格渲染和进一步的网格优化，可以按照链接安装PyTorch3D：

快速开始

3DGS的网格提取

准备输入数据

我们目前支持大多数高斯散射方法生成的输出目录，如3DGS、mip-splatting、GaussianPro，具有以下最小结构：

- output_dir
    - cameras.json (必需)
    - point_cloud 
        - iteration_xxxx
            - point_cloud.ply (必需)

我们正在准备一些演示数据（即将推出）用于快速开始测试。

运行网格提取

要从输入数据提取网格，运行以下命令：

gs-extract-mesh -m ./data/1750250955326095360_data/result -o ./output/1750250955326095360_data

将./data/1750250955326095360_data/result替换为你的输入output_dir路径。将./output/1750250955326095360_data替换为所需的输出网格路径。

为网格绑定纹理

输出数据的组织方式与mvs-texturing相同。按照以下步骤为网格添加纹理：

在你的系统上编译mvs-texturing仓库。
将build/bin目录添加到你的PATH环境变量中。
导航到包含网格的输出目录。
运行以下命令：

texrecon ./images ./fused_mesh.ply ./textured_mesh --outlier_removal=gauss_clamping --data_term=area --no_intermediate_results

发布计划

GauStudio将在不久的将来支持更多基于3DGS的方法，如果你也对GauStudio感兴趣并想改进它，欢迎提交PR！

BibTeX

如果你发现这个库对你的研究有用，请考虑引用：

@article{ye2024gaustudio,
  title={GauStudio: A Modular Framework for 3D Gaussian Splatting and Beyond},
  author={Ye, Chongjie and Nie, Yinyu and Chang, Jiahao and Chen, Yuantao and Zhi, Yihao and Han, Xiaoguang},
  journal={arXiv preprint arXiv:2403.19632},
  year={2024}
}