企业官网建设流程全解析

gsplat 快速上手指南：3 步完成 3D 高斯泼溅从安装到实时查看的完整流程

【免费下载链接】gsplatCUDA accelerated rasterization of gaussian splatting项目地址: https://gitcode.com/GitHub_Trending/gs/gsplat

如果你有一组用相机拍下的物体照片，想不用建模就得到可以从任意角度实时浏览的 3D 场景，gsplat 是一个可以直接上手的开源库。它对 3D 高斯泼溅（3D Gaussian Splatting）做了 CUDA 加速光栅化，提供 Python 接口，训练同一场景比官方实现最多节省约 4 倍显存、约 15% 的训练时间。下面按"装好、跑出结果、继续调"三步走。

第一步：安装 gsplat 并下载示例数据

gsplat 依赖 PyTorch（2.7 及以上），所以先按 PyTorch 官方流程装好对应 CUDA 版本的 torch。

git clone https://gitcode.com/GitHub_Trending/gs/gsplat cd gsplat pip install gsplat

pip install gsplat装的是 PyPI 预编译包，CUDA 算子会在第一次运行时用 JIT 现编，所以首次跑训练会慢几分钟，属正常现象。Windows 用户从源码编译可以参考 INSTALL_WIN.md。

训练数据用 Mip-NeRF 360 的 garden 场景即可：

cd examples pip install -r requirements.txt python datasets/download_dataset.py

第二步：跑通第一次训练并查看结果

在examples目录下执行基础训练脚本 simple_trainer.py，default子命令对应论文里的标准 3DGS 流程：

CUDA_VISIBLE_DEVICES=0 python simple_trainer.py default \ --data_dir data/360_v2/garden --data_factor 4 \ --result_dir ./results/garden

几个参数值得知道：data_factor 4表示把图片缩到 1/4 分辨率再训练，速度更快；默认训练 30000 步，在第 7000 步和 30000 步各评估并保存一次模型。训练过程中会在浏览器里打开一个基于 Viser 的查看器，可以边训边转视角，效果类似下面这张训练截图：

训练结束后，checkpoint 会保存在results/garden/ckpts/下。此时可以脱离训练脚本直接看效果：

python simple_viewer.py --ckpt results/garden/ckpts/ckpt_29999.pt

结果背后发生了什么

训练收敛之前，先理解渲染链路，调参才有方向。gsplat 把场景表示为几十万个 3D 高斯，每个高斯带一组参数：位置、协方差（由 scale 和 quaternion 算出）、不透明度和球谐颜色系数。渲染时，rasterization 入口完成两件事：把 3D 高斯投影成 2D 椭圆并排序，再按 alpha 混合合成每个像素的颜色。整个过程在 gsplat/cuda/csrc/ 里由 CUDA 内核实现，且全程可微——损失函数的梯度能一路传回每个高斯的参数，这就是"训练"的实质。

gsplat 相比官方实现的两处关键取舍：

• 显存换速度或速度换显存：rasterization的packed参数打开后，中间结果以稀疏张量存储，显存占用明显下降，代价是少量运行时间。场景很大、单卡吃紧时值得开启。
• 小半径裁剪：radius_clip参数会丢弃投影后半径小于阈值（如 3 像素）的高斯。官方文档 large_scale.rst 用这个技巧把 garden 场景复制成 9x9 网格、3000 万个高斯，依然能实时渲染。

第三步：按需调优和扩展

调质量：想更精细地控制外观，可以调--sh_degree（球谐阶数，默认 3）、--max_steps、--ssim_lambda（结构相似度损失权重）。官方提供 MCMC 策略 作为默认 densification 的替代，通过重采样而非无限增点来控制高斯数量。

看瓶颈：训练慢或显存爆，可以用 profile.py 对光栅化各阶段计时定位热点；多卡训练有现成脚本 basic_4gpus.sh 可参考。

压缩与部署：训练完想减小体积，给训练命令加--compression png，gsplat/compression/ 会把 SH 系数做 PNG 压缩存储。

扩展方向：项目还集成了 NVIDIA 的 3DGUT 光栅化器（见 3dgut.md）、LiDAR 光栅化和一个实验性的低延迟推理渲染路径（gsplat.experimental包，基于 HiGS 的宏块融合光栅化，适合已训练好场景的实时查看）。

接下来可以做的三件小事

1. 把--data_factor从 4 改成 1，观察质量与速度的权衡；
2. 训练时加--packed，用nvidia-smi对比显存占用变化；
3. 换用--strategy为 MCMC 的配置跑一次，比较收敛后的高斯数量。

每改一处参数，重点看results/下评估报告里的 PSNR 变化即可。更多示例（单图拟合image_fitting.py、NCore 数据采集训练等）和完整文档结构在 docs/source/ 下，按需求查阅即可。

【免费下载链接】gsplatCUDA accelerated rasterization of gaussian splatting项目地址: https://gitcode.com/GitHub_Trending/gs/gsplat