格物致知

Gaussian-SLAM: Photo-realistic Dense SLAM with Gaussian Splattingcode:概述：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。基本原理：从已有的点云模型出发，以每个点为中心，建立可学习的3D高斯表达(椭球来表示三维点，参数包括中心位置、不透明度、协方差矩阵和用球谐函数表达的颜色)，用Splatting的方法进行渲染，实现高分辨率的实时渲染。引

1. 摘要2. 简洁3. 背景3.3.1 NeRF3.3.2 3dgs3.4 数据集4 数据集4.1 SLAM3.1 RGB-D SLAM方法3.1.1 基于NeRF风格的RGB-D SLAM3.1.2 基于3DGS风格的 RGB-D SLAM3.1.3 基于子图的SLAM(Submaps)paper：SLAM领域的研究经历了重大变革，突显了其在实现未知环境的自主探索方面的关键作用。

3DGS适用于需要显式几何信息实时处理以及精确测量的应用，如自动驾驶、工业检测、机器人视觉等。NeRF强调高质量渲染，适用于渲染复杂场景和生成逼真图像的应用，如电影特效、虚拟现实、虚拟旅游等场景，渲染效果优于几何精度。这两种方法各有所长，适合不同的应用需求。如果你需要精确的几何信息和实时处理，选择3DGS；如果需要逼真的场景渲染和处理复杂光照，NeRF则是更好的选择。

其中，( M ) 和 ( N ) 分别为图像的高度和宽度，( I(i,j) ) 和 ( K(i,j) ) 分别表示原始图像和处理后的图像在位置 ( (i,j) ) 处的像素灰度值。通过这个计算公式，可以得到处理后图像相对于原始图像的质量损失程度，PSNR值越高，表明图像质量损失越小。其中，MAX表示像素值的最大可能取值（比如对于8位灰度图像，MAX=255）。

Loss定义(其实就是简单的均方差MSE)

以方便python读取，且NeRF模型源码拥有直接对LLFF格式数据集进行训练的配置和模块，便于研究者使用。或者 File 导出 export model，新建名称为sparse保存的位置，sparse文件下的0文件作为输出结果，这里包含具体见上图。得到COLMAP位姿匹配数据后，我们要对每张图片的位姿信息进行格式转换，转换为LLFF格式方便Nerf模型读取。而不是直接输入图像数据，当然也可以，只是存在2个问题，1是收敛速度变慢，2是重建效果变差。配置nerf-pytorch 工程 ，开始训练！

在深度学习中，concat操作指的是连接（concatenate）操作，通常用于将两个张量沿着指定的轴（通常是某个维度）进行拼接。位置编码（x,y,z）：主要是为了将图像中的高频信息体现出来，可以大幅提高图片中的细节质量，不受到周边位置平滑的操作的影响。,在获取一定范围采样点的(r,g,b,a)之后需要再进行特定积分运算,最终得到对应像素最终的(r,g,b,a),在训练时通过。输入:是一个五维的相机位姿（x,y,z,Yaw,Pitch）input:(x,y,z,0,φ)代表输入的相机位姿。

fx1σ2πe−x−μ22σ2fxσ2π​1​e−2σ2x−μ2​其中：μ 是正态分布的 均值，代表数据中心的位置。σ 是正态分布的 标准差，代表数据离散程度。对于一段x区间,进行积分可以得到分布中的数据落在这一-区间的概率,其中绝大多数落在3sigma区域(概率是0.9974)。因此,一组mumumu和sigma/sigmasigma。