gsplat 5 分钟上手：3D 高斯泼溅重建 3D 场景，显存省 4 倍还能多卡加速

gsplat 5 分钟上手：3D 高斯泼溅重建 3D 场景，显存省 4 倍还能多卡加速

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

跑满 3 万步迭代，一组照片就能变成浏览器里可旋转的 3D 场景，显存占用比官方 3D 高斯泼溅实现低最多 4 倍。gsplat 是一个 CUDA 加速的高斯泼溅光栅化开源库，解决"照片重建真实感 3D 场景"这件事，适合已有 PyTorch + CUDA 环境、想自己搭重建管线的开发者。

60 秒跑通：4 条命令看到渲染结果

开始前只需要一样东西：装好 CUDA 的 PyTorch。下面的演示不需要任何数据集，用 2000 个高斯去拟合一张图，几秒到几分钟就能收敛：

pip install gsplat git clone https://gitcode.com/GitHub_Trending/gs/gsplat && cd gsplat/examples pip install -r requirements.txt python image_fitting.py

第一条命令装库（首次 import 时会 JIT 编译 CUDA 代码，等几分钟）；image_fitting.py默认用内置的红蓝象限图当目标，跑起来后终端持续打印 loss，能看到拟合效果逐步稳定下来。完整场景训练收敛起来是什么样，看官方 garden 场景的这个过程：左边是随机初始化，右边是训练后期。👇

核心机制：高斯泼溅到底在泼什么

把场景想象成一堆"彩色烟雾团"——没有网格，只有几百万个 3D 高斯，每个带位置、形状、朝向、不透明度、颜色。

• 颜色用球谐函数表达，所以换个视角看颜色会变
• 渲染是 splatting：把高斯投影到屏幕上前到后混合，比光线行进快得多
• 全程可微：像素误差直接反传回每个高斯
• 训练中还会稠密化：糊的地方补高斯，冗余的删掉（default / MCMC 两种策略）

按任务展开

端到端：从一组照片重建可旋转的 3D 场景

这个任务解决最常见的场景：你有一个物体或房间的拍摄照片，加 COLMAP 跑出的位姿，想要一个能环视的 3D 场景。

cd examples python datasets/download_dataset.py # Mip-NeRF 360 → data/360_v2/ python simple_trainer.py mcmc

examples/simple_trainer.py 默认读 garden 场景，训练 3 万步，在第 7000、30000 步自动存 checkpoint 并写评估指标，同时在本机 8080 端口开一个 web viewer。训练中途就能打开localhost:8080实时旋转查看，不用等训练结束。

怎么验证跑成功：results/garden/stats/下会出现val*.json，对比官方 3DGS 论文 garden 的 PSNR（26.96）；浏览器里场景结构完整、没有明显漂浮噪点，就算过关。

鱼眼、滚动快门相机不用预校正的用法

这个任务解决非常规镜头：针孔畸变、鱼眼、f-theta、滚动快门。关键是原始图像不用先做去畸变——只要有 COLMAP 标定好的畸变参数，投影在 CUDA kernel 里直接算。

python simple_trainer.py mcmc --with_ut --with_eval3d --data_dir data/zipnerf/london

zipnerf数据就是带强畸变的实拍图，专门用来验证这条路；注意 3DGUT 路径只支持 MCMC 策略。参数细节（radial_coeffs、camera_model="fisheye"、rolling_shutter等）在 docs/3dgut.md 里有完整列表。

怎么验证：训练完用python simple_viewer_3dgut.py --ckpt <checkpoint 路径>查看，viewer 里实时调畸变参数，渲染应和原图一致。

显存压到 1/4 的设置：3 个关键开关

这个任务解决"场景大、照片多，显存爆掉"的问题。

1. --packed：packed 格式光栅化，官方实测比官方 3DGS 实现省最多 4 倍显存、快 15%（单次前向略慢，训练整体更快）
2. --data_factor 8：训练图降采样，默认 4，显存吃紧就翻倍
3. 多卡：等效 batch ×4，所以步数同步缩到 1/4：

CUDA_VISIBLE_DEVICES=0,1,2,3 python simple_trainer.py default \ --packed --steps_scaler 0.25 --data_dir data/360_v2/garden

另外rasterization()支持任意批量渲染：1 万个高斯时，1 个 batch 前向 0.37ms，64 个 batch 也只要 3.7ms，显存随 batch 线性增长，适合离线批量出图。

怎么验证：训练时nvidia-smi显存有富余，4 卡跑完的总耗时约为单卡的 1/4。⚡

实时查看器：训练完不用等，1 条命令看结果

这个任务解决"训练中途想看效果"或"加载别处导出的 .ply 文件"。

python simple_viewer.py --ckpt results/garden/ckpts/ckpt_29999_rank0.pt --port 8080

也支持--ply加载标准 3DGS 导出文件，--scene_grid 3可以把场景平铺成 3×3 网格快速扫视全局。怎么验证：浏览器打开 8080 端口，场景可拖拽旋转、帧率稳定不卡。

高频问题

Q：首次运行特别慢，或报 CUDA 编译错误？PyPI 版首次运行 JIT 编译，等几分钟属正常；源码安装需要 torch 与 CUDA 版本匹配，Windows 编译问题看docs/INSTALL_WIN.md。

Q：训练 loss 不降或降不下去？九成是数据问题：默认init_type="sfm"需要数据目录里有sparse/0点云和正确的位姿；再检查--data_factor是否开太大导致图太糊。

Q：显存 OOM 怎么办？加--packed并把data_factor翻倍；MCMC 用户可用--strategy.cap-max限制高斯数量（官方基准用 100 万）；还不行就降--sh_degree。

Q：重建发糊、有伪影或透明窟窿？先看 val PSNR：明显偏低是位姿问题，可试--pose_opt联合优化相机；透明窟窿是训练图有透明背景，加--random_bkgd随机背景抑制透明。

Q：viewer 打不开 / 8080 端口被占？用--port换个端口；纯离线训练不想开 viewer 就加--disable_viewer，评估指标仍会照常落盘。

跑通上面 garden 场景后，拿你自己的一组照片先跑一遍 COLMAP，再试试--with_ut在畸变数据上训练，对比校正前后两张图就知道 3DGUT 值不值得上了。

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