建设一个网站需要哪些步骤,哪里医院做无痛人流便宜 咨询网站在线,网站内容作弊的形式,建站工具上市在线工具推荐#xff1a; Three.js AI纹理开发包 - YOLO合成数据生成器 - GLTF/GLB在线编辑 - 3D模型格式在线转换 - 3D场景编辑器 3D 高斯泼溅#xff08;Splatting#xff09;是用于实时辐射场渲染的 3D 高斯分布描述的一种光栅化技术#xff0c;它允许实时渲染从小图像样… 在线工具推荐 Three.js AI纹理开发包 - YOLO合成数据生成器 - GLTF/GLB在线编辑 - 3D模型格式在线转换 - 3D场景编辑器 3D 高斯泼溅Splatting是用于实时辐射场渲染的 3D 高斯分布描述的一种光栅化技术它允许实时渲染从小图像样本中学习到的逼真场景。 本文将详细介绍它的工作原理以及它对图形学的未来意味着什么。
1、什么是 3D 高斯泼溅
3D 高斯泼溅的核心是一种光栅化技术。 这意味着
有描述场景的数据。在屏幕上绘制数据。类似于计算机图形学中的三角形光栅化用于在屏幕上绘制许多三角形
然而它不是三角形而是高斯分布。 这是一个栅格化的高斯函数为了清晰起见绘制了边框 高斯泼溅由以下参数描述
位置它所在的位置 (XYZ)协方差如何拉伸/缩放3x3 矩阵颜色它是什么颜色RGBAlpha透明度如何 (α)
在实践中会同时绘制多个高斯曲线
这是三个高斯。 那么 700 万高斯呢
这是每个高斯光栅化完全不透明的样子 这是对 3D 高斯分布的非常简短的概述。 接下来让我们逐步完成本文中描述的完整过程。
1、3D高斯泼溅原理
3D高斯泼溅的实现原理分为一下几个部分
运动结构恢复利用SfM得到点云点云转高斯分布模型训练光栅化
1.1 运动结构恢复
第一步是使用运动结构恢复 (SfM: Structure from Motion) 方法从一组图像中估计点云。 这是一种从一组 2D 图像估计 3D 点云的方法。 这可以通过 COLMAP 库来完成。
1.2 转换为高斯分布
接下来每个点都转换为高斯分布。 这对于光栅化来说已经足够了。 然而只能从 SfM 数据推断位置和颜色。 为了学习产生高质量结果的表示我们需要对其进行训练。
1.3 模型训练
训练过程使用随机梯度下降类似于神经网络但没有层。 训练步骤为
使用可微分高斯光栅化将高斯光栅化为图像稍后详细介绍根据光栅化图像和地面真实图像之间的差异计算损失根据损失调整高斯参数应用自动致密化和修剪
步骤 1-3 从概念上讲非常简单。 第 4 步涉及以下内容
如果对于给定的高斯梯度很大即它太错误则分割/克隆它如果高斯很小则克隆它如果高斯很大则将其分割如果高斯的 alpha 太低请将其删除
此过程有助于高斯更好地拟合细粒度细节同时修剪不必要的高斯。
1.4 可微分高斯光栅化
如前所述3D 高斯分布是一种光栅化方法它将数据绘制到屏幕上。 然而一些重要的元素还包括
快速可微分
光栅化器的原始实现可以在这里找到。 光栅化涉及
从相机角度将每个高斯投影为 2D。按深度对高斯进行排序。对于每个像素从前到后迭代每个高斯将它们混合在一起。
这篇论文中描述了其他优化。
光栅化器是可微分的也很重要这样就可以用随机梯度下降来训练它。 然而这仅与训练相关 - 训练有素的高斯也可以用不可微的方法呈现。
2、谁关注3D高斯泼溅
为什么 3D 高斯溅射受到如此多的关注 显而易见的答案是结果不言自明 - 这是高质量的实时场景。 然而故事可能还有更多。
关于高斯泼溅还能做什么还有很多未知数。 它们可以动画化吗 即将发表的论文《动态 3D 高斯通过持久动态视图合成进行跟踪》表明他们可以。 还有许多其他未知数。 他们能做反思吗 可以在没有参考图像训练的情况下对它们进行建模吗
最后人们对嵌入式人工智能的研究兴趣日益浓厚。 这是人工智能研究的一个领域最先进的性能仍然低于人类性能几个数量级其中大部分挑战在于表示 3D 空间。 鉴于 3D 高斯分布可以产生非常密集的 3D 空间表示这对具身AI 研究有何影响
这些问题需要注意方法。 实际影响如何还有待观察。
3、图形学的未来
那么这对图形学的未来意味着什么呢 好吧让我们将其分为优点/缺点
优点
高品质、逼真的场景快速、实时光栅化训练速度相对较快
缺点
高 VRAM 使用率4GB 用于查看12GB 用于训练大量磁盘占用一个场景 1GB与现有渲染管道不兼容静态暂时
到目前为止原始的 CUDA 实现尚未适应生产渲染管道如 Vulkan、DirectX、WebGPU 等因此还有待观察会产生什么影响。
目前已经进行了以下适应性工作
远程查看器WebGPU查看器WebGL 查看器Unity查看器优化的 WebGL 查看器
这些依赖于远程流传输 (1) 或传统的基于四元组的光栅化方法 (2-5)。 虽然基于四元组的方法与数十年的图形技术兼容但它可能会导致质量/性能降低。 然而查看器 #5 表明尽管采用基于四元组的方法优化技巧仍可以带来高质量/性能。
那么我们会看到 3D 高斯泼溅在生产环境中完全重新实现吗 答案可能是肯定的。 主要瓶颈是对数百万个高斯进行排序这在原始实现中使用 CUB 设备基数排序一种仅在 CUDA 中可用的高度优化的排序有效完成。 然而只要付出足够的努力在其他渲染管道中当然可以达到这种性能水平。 原文链接3D高斯泼溅 — BimAnt
