企业官网建设流程全解析

网站开发整体流程,国外专门做童装的网站,自己开发网站需要多少钱,如何网站开发1.论文总体总结 1.1. Abstract ① 作者指出#xff0c;现有 3DGS 加速方法的核心问题在于#xff1a; 训练过程中无法有效控制高斯数量#xff0c;导致大量冗余计算开销。 ② 作者提出 FastGS#xff0c;通过 基于多视角一致性的高斯增殖与剪枝策略#xff0c;在不牺牲…1.论文总体总结1.1. Abstract① 作者指出现有 3DGS 加速方法的核心问题在于训练过程中无法有效控制高斯数量导致大量冗余计算开销。② 作者提出FastGS通过基于多视角一致性的高斯增殖与剪枝策略在不牺牲渲染质量的前提下大幅缩短训练时间。③ FastGS 的关键贡献是不依赖 budget 机制训练静态场景可压缩到100 秒以内在多个任务动态重建、表面重建、SLAM中具有良好泛化性1.2. Introduction① 作者回顾了 NeRF 与 3DGS 的发展指出 3DGS 已经在渲染速度上占优但训练仍然需要数十分钟。② 通过分析 vanilla 3DGS作者认为瓶颈主要来自Adaptive Density ControlADCdensification根据梯度复制 / 分裂高斯pruning根据 opacity / scale 删除高斯③ 作者认为现有方法的问题在于densify 过度 → 高斯数量失控prune 不精准 → 要么删不干净要么质量下降④ 核心观察一个有价值的高斯应该在多个视角下都能改善重建质量这与传统多视角几何中的Bundle Adjustment思想一致。1.3. Method (FastGS)1.3.1. Overview① FastGS 不改变 3DGS 的整体训练流程仅重新设计 ADCdensify prune。② 核心思想是用多视角重建误差衡量每一个高斯对整体重建质量的真实贡献。③ FastGS 包含三大模块VCDMulti-view Consistent DensificationVCPMulti-view Consistent PruningCompact Box减少 rasterization 中的冗余 tile-Gaussian 对1.3.2. Multi-view Consistent Densification (VCD)① 传统 3DGS 的 densify 只看单视角梯度容易生成只对单一视角有用的高斯。② FastGS 的做法是从训练集中随机采样 KKK 个视角默认 10对每个视角计算逐像素 L1 误差归一化后得到高误差区域 mask③ 对每一个高斯 GiG_iGi​统计在多少视角中它的 2D footprint 覆盖了高误差像素④ 定义 densification scoresi1K∑j1K∑p∈ΩiI(Mjmask(p)1)s_i^ \frac{1}{K} \sum_{j1}^{K} \sum_{p \in \Omega_i} \mathbb{I}(M_j^{mask}(p)1)si​K1​j1∑K​p∈Ωi​∑​I(Mjmask​(p)1)⑤ 当 sis_i^si​ 大于阈值时才允许该高斯被 clone / split。 这保证了只有在多个视角下 consistently 处于高误差区域的高斯才会被增殖。1.3.3. Multi-view Consistent Pruning (VCP)① vanilla 3DGS 的 prune 主要依据 opacity / size无法识别“多视角冗余高斯”。② FastGS 在 VCD 的基础上引入加权光度误差Ejphoto(1−λ)L1λ(1−SSIM)E^{photo}_j (1-\lambda)L_1 \lambda(1-\text{SSIM})Ejphoto​(1−λ)L1​λ(1−SSIM)③ 定义 pruning scoresi−N(∑j1K(∑p∈ΩiI(Mjmask(p)1))⋅Ejphoto)s_i^- \mathcal{N}\left( \sum_{j1}^{K} \left( \sum_{p \in \Omega_i} \mathbb{I}(M_j^{mask}(p)1) \right) \cdot E^{photo}_j \right)si−​N​j1∑K​​p∈Ωi​∑​I(Mjmask​(p)1)​⋅Ejphoto​​④ 含义如果一个高斯在很多视角中覆盖了大量高误差像素且整体光度误差仍然很高→ 说明它并没有有效改善重建质量应当被删除1.3.4. Compact Box① vanilla 3DGS 使用 3-sigma rule 生成 2D 椭圆容易产生大量无效 tile-Gaussian 对。② FastGS 引入Compact Box基于 Mahalanobis distance剪掉对 tile 几乎没有贡献的 Gaussian–tile pair③ 该模块仅影响 rasterization 阶段不影响重建质量。1.3.5. Optimization① 优化目标与 vanilla 3DGS 相同L(1−λ)L1λ(1−SSIM)\mathcal{L} (1-\lambda)L_1 \lambda(1-\text{SSIM})L(1−λ)L1​λ(1−SSIM)② FastGS 采用分阶段优化策略减少不必要的参数更新频率。1.4. Experiments1.4.1. Dataset① 静态场景数据集Mip-NeRF 360Tanks TemplesDeep Blending② 扩展任务动态场景重建表面重建稀疏视角大规模场景SLAM1.4.2. Implementation Details① 训练统一 30k iterations② 采样视角数 K10K10K10③ densify 默认到 15k iteration④ GPURTX 40901.4.3. Baselines① 对比方法包括3DGSTaming-3DGSDashGaussianSpeedy-SplatMini-Splatting1.4.4. Main Results① 在多个数据集上FastGS 达到100 秒级训练时间高斯数量显著减少最多减少 7×PSNR / SSIM 基本持平甚至更优② FastGS-Big 版本在质量和速度上同时超过 DashGaussian。1.4.5. Ablation Study① 仅加 VCD高斯数 ↓ 80%训练时间 ↓ 3×② 仅加 VCP冗余高斯显著减少质量几乎不变③ Compact Box训练再提速约 8%1.4.6. Discussion① FastGS 当前的瓶颈不在 ADC而在训练迭代步数固定为 30k。② 作者认为未来可以设计更快收敛的优化器使用 feed-forward 初始化模型1.5. Related Work① 高斯 densification 控制② 高斯剪枝与压缩③ 光栅化优化④ 二阶 / 近二阶优化方法1.6. ConclusionsFastGS 提出了一种简单、通用、有效的 3DGS 加速框架核心在于用多视角一致性严格约束每一个高斯的“存在合理性”。该方法在多个任务中均表现出强泛化能力为后续 3DGS 系列工作提供了一个非常稳健的加速范式。2.心得Fast GS通过多视图一致的密度化VCD和多视图一致的剪枝VCP实现了达到和SOTA方法相似的指标的同时显著减少高斯数量从而快速实现某一个场景的重建。并且测试了在动态场景重建表面重建稀疏图重建大规模重建和SLAM等方法的通用性。实现了平均2-7倍的渲染速度。