windows本地操作

环境配置

前提：已下载并配置好Anaconda、CUDA、pytorch、COLMAP等。
已在Anaconda中配置好虚拟环境，pytorch最好安装在虚拟环境中，不要在base中。
可参考：过程挺详细的
在python终端运行如下代码，将官方代码进行下载。

git clone https://github.com/graphdeco-inria/gaussian-splatting --recursive

复现流程参考一个外国的大佬写的，但是有些文件的存放在我电脑上运行是有些问题的，以下是我自己进行调整后，可以运行的操作。

复现流程

手动配置操作COLMAP

因为我的电脑无法用自动配置，所以用的手动。手动和自动配置都在上面的连接中有写到。
1、将已拍好的物体图片存放在文件夹中，命名为input。
2、利用COLMAP进行获取相机位姿等操作
直接打开COLMAP。
（1）新建一个工程：file>New project，会出现如下对话框
点击New，选择你存放图片所在的文件夹下，新建.db文件，Images即存放的图片路径。

（2）提取特征值：Processing>Feature extraction，将Shared for all images勾上，first_octave设为0，其他设置保持默认选项。

（3）特征匹配：Processing>Feature matching。
因为拍摄图片时，应该是通过绕着对象走动来记录的，所以相邻的图像在空间上应该是接近的，因此可以使用Sequential（顺序匹配模式）。这将比默认的Exhaustive（穷举模式）更快(如果重构失败，可以用穷举模式再次尝试)。然后点击Run(这将花费几秒钟到一分钟)。

（4）重建：Reconstruction>Reconstruction options。取消勾选multiple_models（因为我们是对一个而不是多个场景重构），关闭窗口。然后开始重建优化：Reconstruction>Start reconstruction。

（5）COLMAP重建完成，将在GUI中看到相机姿势(红色)以及场景的稀疏点云。现在通过点击file>Export model导出相机姿势，保存在新建的distort文件夹中（与input文件夹相同级别），然后可以关闭COLMAP。

现在的数据应该存放如下：

进行训练前的准备（undistort the images）

现在需要消除图像的扭曲（undistort the images）。这是因为3D高斯的训练要求图像具有理想的针孔特性。
注意，对文件进行多一步操作
（1）关键！！！跟上面的链接不同之处：
在distorted文件夹下面，新建sparse/0文件夹，并将distorted文件下面的points3D.bin、images.bin、cameras.bin三个文件移到sparse/0文件夹下面。


（2）进入代码的文件夹，新建一个data文件夹，用于存放需要用到的训练数据。

将对象文件移入data

对于下一步进行的训练，实际只需要用到images和sparse两个文件夹下的东西

接着，打开终端，进入虚拟环境，进入在gaussion splatting（代码所在）文件夹下。运行如下代码：

python convert.py -s $FOLDER_PATH --skip_matching

见到Done.即代表完成undistort the images的操作。
文件夹的文件分布如下：

至此即可以开始进行训练。

训练

还是在终端进入虚拟环境，进入在gaussion splatting（代码所在）文件夹下。运行如下代码：

python train.py -s $FOLDER_PATH -m $FOLDER_PATH/output

运行完后即会得到output文件夹，output中文件如下:


其中，iteration_7000和30000中各存有一个point_cloud.ply文件。

模型可视化

首先下载可视化工具
下载完后得到viwer文件夹，把它移到你建立的工程文件夹下（我的电脑上是gaussian-splatting）

终端进入如下带有SIBR_gaussianViewer_app.exe文件的文件夹中

运行如下代码：

SIBR_gaussianViewer_app -m $FOLDER_PATH/output

到这步就通过SIBR看到训练后的可视化成果了。

colab上运行

首先默认大家已经会使用colab再开始看本教程。
不会的可以参考，colab使用教程

进入网址，官方给的ipynb，可以在colab上跑

官方给的代码是默认跑他们给的数据集，如果要跑自己的数据集，则直接修改下面的程序就行：

python train.py -s $FOLDER_PATH -m $FOLDER_PATH/output