3D Gaussian Splatting 简要笔记

Hsieh MY

已于 2024-05-24 11:57:06 修改

阅读量643

点赞数 3

CC 4.0 BY-SA版权

文章标签：人工智能算法 3d

于 2024-02-28 11:01:31 首次发布

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/m0_55605361/article/details/136339510

本文介绍了3DGS渲染方法，它使用球谐函数存储与中心物体相关的特定点，通过压缩变换和高斯分布扩展，实现非传统光线追踪。通过SfM获取点云作为输入，通过并行化和视锥裁剪提高渲染效率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

介绍

相较于传统nerf，3DGS存储“特定点”（这些点与中心物体密切相关）的球谐函数而不是用mlp存储空间中每个点颜色和透明度。渲染时，不是采用从像素点引出射线的方式而是采用压缩变换的方式，把整个空间压缩到以成像平面为低面的长方体中。

3DGS存储“特定点”的球谐函数，并用一个高斯分布的椭球拓展这些点。这里的高斯分布其实和概率论中的高斯分布没有太大关系，也没有涉及到概率的计算。高斯分布只是为了用概率密度代表“特定点”对其他点的影响程度。

渲染过程

渲染时，首先对所有空间点进行压缩变换，相机坐标：

$x_1=\frac{t_1}{t_2}$

$x_2=\frac{t_2}{t_3}$

$x_3=\sqrt{t_1^2+t_2^2+t_3^2}$

然后把空间内所有的高斯分布投影到成像平面上（现在变成了二维的高斯分布），对于每一个像素点 $(x_1,x_2)$ ，按照公式

$C=\sum_{i}[c_ip_i\alpha_i\prod_{j=1}^{i-1}(1-p_i\alpha_i)]$

$p_i=exp(-\frac{1}{2}(x-\mu )^T\Sigma^{-1}(x-\mu ))$

算出像素点 $x=(x_1,x_2)$ 的颜色，其中N是覆盖像素点 $(x_1,x_2)$ 的高斯分布数量， $c_i$ 是第i个高斯分布所代表的颜色（由球谐函数和方向求得）， $p_i$ 是第i个高斯分布在(x,y)点的贡献度， $\alpha_i$ 是不透明度， $\mu$ 是高斯分布中心点。（在渲染前先将覆盖像素点的高斯球由近到远排序）

如何获得“特定点”？

利用SfM获得点云，将点云中每一个点就是“特定点”，将他们扩展成一个高斯椭球，并初始化这些“特定点”的位置 $\mu$ 、协方差 $\Sigma$ 、颜色 $c$ （用球谐函数存储）、不透明度 $\alpha$

如何提升渲染效率？

将要渲染的图片划分为16×16个方格，每一个线程负责渲染一个格子，这样渲染就可以并行进行，提高效率。每个格子在渲染时只用考虑视锥内的高斯球，而忽略其他的高斯球。

博客等级

码龄4年

7
原创

57
点赞

70
收藏

35
粉丝

关注

私信

热门文章

上一篇：: 集成经验模态分解（EEMD）

下一篇：: nerf++简要笔记

最新评论

集成经验模态分解（EEMD）
Hsieh MY: 没有，不好意思
集成经验模态分解（EEMD）
m0_58221338: 作者你好，请问下有c++版的实现代码吗
3D Gaussian Splatting 简要笔记
CSDN-Ada助手: 非常棒的博客！很高兴看到你对3D Gaussian Splatting有如此深入的理解并分享给大家。希望你能继续写下去，分享更多关于计算机图形学和渲染方面的知识。另外，或许你可以进一步探讨一下3DGS在实际应用中的优势和局限性，以及如何优化渲染速度和效果。继续加油！如何写出更高质量的博客，请看该博主的分享：https://blog.csdn.net/lmy_520/article/details/128686434?utm_source=csdn_ai_ada_blog_reply2
nerf++简要笔记
CSDN-Ada助手: 恭喜用户写了第三篇博客“nerf++简要笔记”，持续创作是非常不易的，您的努力值得肯定！希望您可以继续保持写作的热情和耐心，可以尝试深入挖掘nerf++的相关内容，结合实际案例或者个人见解进行更深入的分析，让读者能够更加深入地理解这个主题。期待您的更多精彩作品！愿您在写作的道路上越走越远，不断进步！ CSDN 正在通过评论红包奖励优秀博客，请看红包流：https://bbs.csdn.net/?type=4&header=0&utm_source=csdn_ai_ada_blog_reply3
集成经验模态分解（EEMD）
CSDN-Ada助手: 恭喜你开始了博客创作，文章内容很有深度，EEMD是一个很有意思的话题。希望你能继续深入探讨EEMD的原理和应用，或者分享一些实际案例，让读者更加深入了解这个领域。希望你能坚持不懈地创作下去，期待你更多精彩的文章！推荐【每天值得看】：https://bbs.csdn.net/forums/csdnnews?typeId=21804&utm_source=csdn_ai_ada_blog_reply1

大家在看

最新文章

目录

展开全部

收起

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。