3DGS 模型保存与加载完整指南：PLY 格式扩展与断点续训实战

3DGS 模型保存与加载完整指南：PLY 格式扩展与断点续训实战

【免费下载链接】gaussian-splattingOriginal reference implementation of "3D Gaussian Splatting for Real-Time Radiance Field Rendering"项目地址: https://gitcode.com/gh_mirrors/ga/gaussian-splatting

跑 3D Gaussian Splatting（3DGS）训练的人大概都经历过这种时刻：迭代到 3 万步，机器断电 / 显存爆了 / 被同事的脚本抢卡。训练目录里只有一个 .ply，重新加载后发现优化器状态全丢，等于从"半成品"倒退回"刚起步"。其实 3DGS 官方仓库 gaussian-splatting 的模型持久化方案分两条线：PLY 文件负责把模型参数完整落盘，checkpoint 文件负责把优化器状态落盘。本文沿着"存了什么 → 怎么存 → 怎么加载 → 怎么续训 → 体积怎么省"这条线，把 scene/gaussian_model.py 里的保存与加载机制讲透，帮你把崩溃后的损失降到最低。

3DGS 模型文件到底存了什么：和网格模型差在哪

先说人话：网格模型（OBJ/GLB）存的是"顶点 + 面片拓扑"，而一个 3DGS 模型存的是几百万个可变形椭球，每个椭球自带一套参数——位置、三个方向的缩放、朝向四元数、不透明度，再加一组球谐（SH）系数来描述"从不同角度看它是什么颜色"。

这决定了它的模型文件没法套用标准网格格式。官方在 scene/gaussian_model.py 的construct_list_of_attributes里给出了完整清单，一张表对比清楚：

合计23 个属性，全部是 float32。注意后四类参数（缩放、旋转、不透明度、SH 系数）训练时会被持续优化，所以文件必须把它们的当前值原样存下来——这正是save_ply的职责。

PLY 格式怎么扩展的：23 个属性背后的一个关键取舍

PLY 本质是一张可自定义列的表格文件：element vertex声明有哪些列，后面每行一个顶点数据。3DGS 没有发明新格式，而是像给表格追加新列一样，把 23 个参数全部挂成 vertex 的自定义属性。save_ply的骨架只有四步：

xyz = self._xyz.detach().cpu().numpy() normals = np.zeros_like(xyz) # 法线列只作占位 f_dc = self._features_dc.detach().transpose(1, 2).flatten(start_dim=1).cpu().numpy() f_rest = self._features_rest.detach().transpose(1, 2).flatten(start_dim=1).cpu().numpy() scale = self._scaling.detach().cpu().numpy() rotation = self._rotation.detach().cpu().numpy() # ...把各数组沿 axis=1 拼接成 (N, 23) 后，用 PlyData 逐行写入

这里有个容易忽略的关键设计：所有参数存的都是原始优化值，不是渲染时用的激活值。缩放存的是exp之前的对数空间值，不透明度存的是sigmoid之前的值。为什么？因为模型加载后往往还要继续训练，参数必须和nn.Parameter里的值一一对应才能接上梯度；若存激活后的值，反推回去就有精度损失，续训直接"变味"。

顺带算笔账：100 万高斯的 PLY 约100MB（每个高斯平均 100 字节左右）；千万级场景则轻松突破1GB——这个数字后面讲省空间技巧时会再用到。

3DGS 模型加载：load_ply 如何把文件还原成可训练的模型

加载是保存的逆过程，load_ply里有两个值得注意的细节。

第一个：SH 系数数量要动态解析。高阶球谐列数取决于阶数 L（3*(L²−1)），文件里有多少列不能靠假设，得扫描出来再核对：

extra_f_names = [p.name for p in plydata.elements[0].properties if p.name.startswith("f_rest_")] extra_f_names = sorted(extra_f_names, key=lambda x: int(x.split('_')[-1])) assert len(extra_f_names) == 3*(self.max_sh_degree + 1) ** 2 - 3

这里藏着最常见的坑：如果加载时配置的max_sh_degree和训练保存时不一致，这个assert会直接炸（或者炸之前渲染出怪颜色）。scale_、rot_两组列用同样的"前缀扫描 + 数字后缀排序"方式解析。

第二个：张量重组。解析出的 numpy 数组统一包成nn.Parameter并requires_grad_(True)，直接建在 CUDA 上，比如：

self._features_rest = nn.Parameter( torch.tensor(features_extra, dtype=torch.float, device="cuda") .transpose(1, 2).contiguous().requires_grad_(True))

SH 系数在文件里是每行展平的一串数，加载时reshape回(N, 3, L²−1)再转置成(N, 1, C)的布局，和create_from_pcd初始化时的形状对齐。函数最后一行self.active_sh_degree = self.max_sh_degree也很实在：既然文件里存的是满阶系数，加载后直接拉满。

3DGS 断点续训：capture 与 restore 的双持久化机制

回到开头的痛点：训练中断后怎么接着跑？答案是两个文件分工。PLY 只存参数；而 Adam 优化器的动量exp_avg、二阶矩exp_avg_sq，以及自适应点增删用到的xyz_gradient_accum、denom这些"训练记忆"，都不在 PLY 里。

train.py 的保存逻辑是：每到--checkpoint_iterations指定的迭代，就把gaussians.capture()的返回值连同迭代号一起存成.pth：

# train.py 中，iteration 命中 checkpoint_iterations 时： torch.save((gaussians.capture(), iteration), scene.model_path + "/chkpnt" + str(iteration) + ".pth")

capture()在 scene/gaussian_model.py 里返回一个 12 元组，成员按职责分三类：

恢复侧是restore(model_args, training_args)：解包元组后先调training_setup重建优化器，再self.optimizer.load_state_dict(opt_dict)把动量灌回去。启动时加--start_checkpoint path/chkpnt30000.pth，train.py 里就会torch.load后执行gaussians.restore(model_params, opt)，从对应迭代继续——动量不丢，收敛曲线能无缝接上。

高斯模型文件体积怎么优化：千万级高斯的三个方向

千万高斯的 PLY 超过 1GB，存储和加载都会疼。三个可落地的方向：

1. 量化压缩：features_dc/features_rest默认 float32，改用numpy.astype(np.float16)落盘可省一半体积，代价是加载后转回 float32 有一丁点精度损失。
2. 空间分区：把点云按空间位置切成多个 PLY 文件，部署时只加载视锥相关的块，加载与渲染都能减负：

# 按坐标块切分，每块独立写一个 PLY def save_partitioned_ply(xyz, params, partition_size=1e6): for i in range(0, xyz.shape[0], partition_size): save_ply(f"model_part_{i//partition_size}.ply", xyz[i:i+partition_size], params[i:i+partition_size])

3. 增量更新：只存相对基线模型的 diff 文件，适合高频迭代的场景版本管理。

加载侧则推荐内存映射延迟读入，避免大文件一次性占满内存：

plydata = PlyData.read(path) # 先读元数据 xyz = np.memmap(path, dtype='f4', mode='r', offset=plydata.elements[0].data.offset, shape=(plydata.elements[0].count, 3))

三条策略可叠加：先 prune 瘦身，再分区，最后按需 memmap 加载，千万级场景的磁盘和内存压力都能压到可接受范围。

3DGS 加载后渲染异常 / 续训失败的常见坑速查

最后一行效果直观对比一下：低质量阶段的渲染（左）和收敛后的渲染（右）差距明显——所以体积优化时别为了省空间把"有用的高斯"也剪没了。

小结

一句话收束：PLY 存参数，.pth 存记忆——save_ply落盘 23 个 float32 属性且坚持存原始优化值，capture/restore负责把 Adam 动量和训练统计量完整续上；体积问题交给 prune（阈值 0.01）、量化、分区和 memmap 组合拳。随着实时渲染需求增长，更紧凑的专用二进制格式与硬件加速的加载路径大概率会登场，但理解这套 PLY + checkpoint 的双持久化机制，永远是你玩转 3DGS 工程化的基本功。

【免费下载链接】gaussian-splattingOriginal reference implementation of "3D Gaussian Splatting for Real-Time Radiance Field Rendering"项目地址: https://gitcode.com/gh_mirrors/ga/gaussian-splatting