代码部分链接到标题

1. 程序链接到标题

github源码

2. 问题链接到标题

2.1 conda 安装过程链接到标题

下载 pytorch 的 cuda 版本，结果是 cpu 版本
参考链接
undefined symbol: iJIT_NotifyEvent 原因：大概率是 docker 容器内与 conda 环境不匹配导致。现象：错误 libtorch_cpu.so: undefined symbol: iJIT_NotifyEvent，解决：尝试运行 pip install mkl==2024.0

3. 说明链接到标题

4. 复现链接到标题

4.1 准备工作链接到标题

自己数据集制作：
需要：colmap 和 ffmpeg
conda 运行：
如果 conda 内缺少 libgl，因为我是在 docker 容器中运行的，需要安装 libgl。
```
conda install -c conda-forge libgl
```

可视化 SIBR_viewers

# Dependencies
sudo apt install -y libglew-dev libassimp-dev libboost-all-dev libgtk-3-dev libopencv-dev libglfw3-dev libavdevice-dev libavcodec-dev libeigen3-dev libxxf86vm-dev libembree-dev

# Project setup
cd SIBR_viewers
git checkout fossa_compatibility # 如果是22.04就不需要加这个指令
cmake -Bbuild . -DCMAKE_BUILD_TYPE=Release # add -G Ninja to build faster
cmake --build build -j24 --target install

# run
./install/bin/SIBR_gaussianViewer_app -m ../output/water_bottle/

如果是在 conda 内运行可视化，会出现 x11 问题：

[SIBR] ##  ERROR  ##:   FILE /workspace/gaussian-splatting/SIBR_viewers/src/core/graphics/Window.cpp
                        LINE 30, FUNC glfwErrorCallback
                        GLX: Failed to create context: GLXBadFBConfig

解决方法： a. 宿主机

glxinfo| grep OpenGL #查看OpenGL core profile version string' = 4.6

b. docker 容器内

export MESA_GL_VERSION_OVERRIDE=4.6

c. docker 容器内

./install/bin/SIBR_gaussianViewer_app -m ../output/water_bottle/

d. tips 参考链接

4.2 本地复现链接到标题

手机录制原始数据视频：

SIBR：

高斯分布可视化：

- 点云可视化：

5. 代码解读链接到标题

仓设置为public，其中comment分支更新到2025/03/19，有需要可查阅 —> 链接: 李佳潞-3DGS-代码注释

论文部分链接到标题

6. 前置内容链接到标题

稀疏/半稠密/稠密 SLAM 稀疏 SLAM：传统视觉 SLAM，如 vins-mono，通过计算图像中特征点的匹配关系，来确定相机运动轨迹。构建地图的信息量少，无法描述整个场景的全局结构。半稠密 SLAM：激光雷达 SLAM，如 LIO-SAM，通过激光扫描仪扫描出地图，构建地图的信息量多，但也无法描述整个场景的全局结构。稠密 SLAM：通过生成网格(mesh)或稠密点云(pointcloud)或高斯椭球(gaussian splatting)，如 3DGS-SLAM，来描述整个场景的全局结构。在自动驾驶中，可以提供更详细的环境重建信息，帮助下游系统识别道路障碍物、行人和其他重要物体，为路径规划和决策提供更精确的数据。
结构光束法(Structure-from-Motion sfm) 概念：通过从多个视角拍摄的图片中推断出 3D 结构的技术。通过该方法，能从一组 2D 图像中提取出 3D 场景的几何信息，生成稀疏点云。过程： (1) 输入图像：SFM 方法通常依赖于至少两张或更多的相机视角，从中提取出图像特征点。 (2) 特征匹配：从这些图像中提取特征点，并通过图像匹配技术（例如，SIFT、SURF 等）来找到这些特征在不同图像中的对应关系。 (SIFT 和 SURF 是两种常见的特征提取算法，它们都基于图像的纹理信息，可以提取出图像中的关键点，并通过匹配算法来确定关键点的对应关系。) (3) 计算相机位置和方向：SFM 方法还可以估计相机的运动轨迹（即相机的位置和朝向），这些信息有助于推算出特征点在三维空间中的位置。 (4) 三维重建：通过三角测量等几何方法，将图像中匹配的特征点转换成三维空间中的点，生成稀疏点云。
稀疏点云 特性： (1) 稀疏：由于 SFM 方法通常依赖于图像中可识别的特征（如角点或边缘），而这些特征点并不能覆盖整个场景。因此，稀疏点云的点数相对较少，且分布在场景中较为分散。 (2) 不完整：这些点仅代表场景中的特定部分，如重要的角点或边界，无法完全描述整个场景的几何形状，通常需要通过其他技术（如传统 MVS / 流行的 3dgs）来填补空缺并生成稠密点云。
colmap 概念：开源的三维重建软件，结合了**结构光束法（SfM）和多视图立体（MVS）**技术，提供图形和命令行界面。它能够从有序或无序的图像集合中，自动提取特征、匹配特征点、估计相机位姿，并生成稀疏和稠密的三维点云。 COLMAP 广泛应用于计算机视觉、三维建模、增强现实等领域。
快速光栅化 (Fast Rasterization) 概念：渲染技术一种。将三维场景中的几何图形（如线条、多边形）转换为二维像素网格，以便在显示设备上呈现图像。是图形渲染中的一个步骤。快速光栅化（Fast Rasterization）是通过优化算法加速将 3D 模型转换为 2D 图像的像素的过程。
体积渲染 (Volumetric Rendering) 概念：渲染技术一种。它不仅考虑场景的表面，还关注场景中的体积数据。通过模拟光在不同介质（如烟雾、云朵、雾霾等）中的传播，体积渲染能够生成更加真实和细致的视觉效果。通常用于优化 3D 数据，尤其是在半透明物体或复杂光传播场景的渲染中。然而，在 3D Gaussian Splatting (3DGS) 中，体积渲染的应用更侧重于优化 2D 图像。
blender 概念：开源的三维渲染软件。一旦三维点云数据导入到 Blender 中，就可以对这些点云进行可视化和渲染。在 Blender 中，可以使用包括 体积渲染 (Volumetric Rendering)和快速光栅化 (Fast Rasterization) 等技术来优化渲染效果。

FOVX and FOVY

示意图：

    |<---- sensor size ---->|
    |-----------------------|
    |       /|\             |
    |      / | \            |
    |     /  |  \           |
    |    /   |   \          |
    |---|---O---|---|       |
        |  focal |

公式： FOVX = 2 * atan(sensor_size_x / (2 * focal_length_x)) FOVY 同理

7. 论文逻辑链接到标题

todo

代码部分 链接到标题

1. 程序 链接到标题

2. 问题 链接到标题

2.1 conda 安装过程 链接到标题

3. 说明 链接到标题

4. 复现 链接到标题

4.1 准备工作 链接到标题

4.2 本地复现 链接到标题

5. 代码解读 链接到标题

论文部分 链接到标题

6. 前置内容 链接到标题

7. 论文逻辑 链接到标题

代码部分链接到标题

1. 程序链接到标题

2. 问题链接到标题

2.1 conda 安装过程链接到标题

3. 说明链接到标题

4. 复现链接到标题

4.1 准备工作链接到标题

4.2 本地复现链接到标题

5. 代码解读链接到标题

论文部分链接到标题

6. 前置内容链接到标题

7. 论文逻辑链接到标题