3D Gaussian Splatting 【环境搭建】全流程指南
1. 3D Gaussian Splatting环境搭建全流程
第一次接触3D Gaussian Splatting时，我被它惊艳的渲染效果震撼到了。这种技术能够用大量高斯分布的点云来重建3D场景，效果比传统点云方法细腻得多。不过搭建开发环境的过程确实踩了不少坑，今天就把完整的配置流程分享给大家。
环境搭建主要分为四个关键步骤：源码获取、基础环境配置、可视化工具安装和数据集准备。整个过程需要特别注意CUDA版本匹配、子模块依赖关系等细节。我会把每个环节容易出错的地方都标注出来，帮你避开我当年踩过的那些坑。
2. 源码获取与目录结构
2.1 推荐使用git clone递归下载
最稳妥的方式是使用git的递归克隆功能，这能自动下载所有子模块：
git clone https://github.com/graphdeco-inria/gaussian-splatting.git --recursive我实测发现手动下载容易漏掉子模块，导致后续编译失败。如果网络条件不允许，也可以分步下载：
- 主仓库：https://github.com/graphdeco-inria/gaussian-splatting
- diff-gaussian-rasterization子模块
- simple-knn子模块
- glm第三方库
2.2 目录结构检查
下载完成后，确保目录包含以下关键内容：
gaussian-splatting/ ├── submodules/ │ ├── diff-gaussian-rasterization/ │ └── simple-knn/ ├── scripts/ ├── viewer/ └── README.md特别提醒：diff-gaussian-rasterization目录下应该有third_party/glm文件夹，这是很多同学容易遗漏的关键依赖。
3. 基础环境配置
3.1 创建conda环境
建议使用Python 3.8+版本创建独立环境：
conda create -n gsplat python=3.8 conda activate gsplat3.2 PyTorch与CUDA安装
这里是最容易出问题的环节。必须确保：
- CUDA工具包版本
- PyTorch版本
- 显卡驱动版本 三者完全匹配。以RTX 3090为例推荐配置：
conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.3 -c pytorch验证CUDA是否可用：
import torch print(torch.cuda.is_available()) # 应该返回True print(torch.version.cuda) # 应该显示11.33.3 安装MSVC编译工具
Windows用户需要安装Visual Studio的MSVC组件：
- 从官网下载Visual Studio Community版
- 安装时勾选"使用C++的桌面开发"
- 将cl.exe路径加入系统环境变量，通常类似：
C:\Program Files (x86)\Microsoft Visual Studio\2019\Community\VC\Tools\MSVC\14.29.30133\bin\Hostx64\x64验证方法：
cl看到编译器版本信息即表示配置成功。
4. 依赖安装与编译
4.1 安装Python依赖
进入项目根目录执行：
pip install -r requirements.txt4.2 编译子模块
这是最关键也是最容易出错的一步：
cd submodules/diff-gaussian-rasterization pip install . cd ../simple-knn pip install .常见问题排查：
- 如果报错找不到CUDA，检查环境变量CUDA_HOME是否指向正确路径
- 出现"identifier not found"错误，通常是CUDA版本不匹配导致
- Windows用户可能需要安装额外的C++编译工具链
5. 可视化工具配置
5.1 预编译Viewer使用
项目提供了预编译的Viewer程序：
- 从Release页面下载对应平台的Viewer
- 解压到项目viewer目录下
- 训练时实时可视化：
./viewer/SIBR_remoteGaussian_app5.2 自定义构建Viewer
如果需要自己编译Viewer：
cd viewer cmake -B build -DCMAKE_BUILD_TYPE=Release cmake --build build --config Release注意需要提前安装：
- CMake 3.15+
- OpenGL开发库
- Eigen3
6. 数据集准备
6.1 安装COLMAP
建议使用COLMAP 3.8+版本：
- 从官网下载对应平台的二进制包
- 解压后添加bin目录到系统PATH
- 验证安装：
colmap -h6.2 图片转数据集
准备图片序列并按如下结构组织：
my_dataset/ └── input/ ├── image1.jpg ├── image2.jpg └── ...运行转换脚本：
python convert.py -s my_dataset [--resize]使用--resize参数需要提前安装ImageMagick。转换完成后会生成cameras.json和points3D.ply等文件。
7. 常见问题排查
7.1 CUDA相关错误
典型表现：
CUDA error: no kernel image is available for execution解决方案：
- 检查torch.cuda.is_available()
- 确认显卡算力与CUDA版本匹配
- 尝试重新安装对应版本的PyTorch
7.2 子模块编译失败
如果diff-gaussian-rasterization编译失败：
- 确保MSVC配置正确
- 检查CUDA_HOME环境变量
- 尝试手动指定CUDA路径：
export CUDA_HOME=/usr/local/cuda-11.37.3 可视化黑屏问题
Viewer无法显示的可能原因：
- 检查OpenGL版本（需要4.3+）
- 更新显卡驱动
- 尝试降低渲染分辨率
我在实际项目中发现，环境配置90%的问题都源于版本不匹配。建议严格按照官方推荐的版本组合进行安装，可以节省大量调试时间。训练第一个模型时，可以从官方提供的小规模数据集开始测试，确认整个流程无误后再处理自己的数据。