【FasterGS】Unbuntu22.04搭建FasterGS（在gaussian-splatting中使用其加速）

前言

主要用于自己搭建环境。
我采用Python 3.10, PyTorch 2.1.0, CUDA 12.1来构建虚拟环境。
将FasterGS加速用在原版gaussian-splatting上。
代码地址：FasterGS以及修改后的gaussian-splatting

一、环境搭建

下载项目文件，并进入文件夹：

gitclone https://github.com/fhahlbohm/gaussian-splatting.git--recursivecdgaussian-splatting

1.1 CUDA12.1安装

如何安装CUDA可参考：Unbuntu22.04中安装多版本的CUDA，可任意切换版本

1.2 虚拟环境构建

1.2.1 创建环境

首先将environment_cuda12.yml文件中的内容改为：

name: gaussian_splatting121 channels: - pytorch - nvidia - conda-forge - defaults dependencies: -python=3.10- pip - plyfile - tqdm - opencv - joblib -pytorch=2.1.0 -torchvision=0.16.0 -torchaudio=2.1.0 - pytorch-cuda=12.1

然后：

condaenvcreate--fileenvironment_cuda12.yml conda activate gaussian_splatting121

1.2.2 安装simple-knn

pipinstall--no-build-isolation ./submodules/simple-knn

报错1

setuptools 没装 / 版本坏了pip uninstall -y setuptools然后pip install setuptools==68.0.0
最后重新pip install --no-build-isolation ./submodules/simple-knn

1.2.3 安装fused-ssim

pipinstall--no-build-isolation ./submodules/fused-ssim

1.2.4 安装核心光栅化模块diff-gaussian-rasterization_fastgs

pipinstall--no-build-isolation ./submodules/diff-gaussian-rasterization

报错：

1.需要降级numpy：pip install numpy==1.26.4以及pip install colorama pytz
清理旧编译缓存：

cdsubmodules/diff-gaussian-rasterizationrm-rfbuild *.egg-infocd../..

2.rasterizer子模块版本冲突：

cdsubmodulesrm-rfdiff-gaussian-rasterizationgitclone https://github.com/graphdeco-inria/diff-gaussian-rasterizationcd..

重新编译：pip install --no-build-isolation ./submodules/diff-gaussian-rasterization

1.3 安装 Faster-GS CUDA backend

pipinstallgit+https://github.com/nerficg-project/faster-gaussian-splatting/#subdirectory=FasterGSCudaBackend --no-build-isolation

二、测试

2.1 训练

在终端进行，位于gaussian_splatting中。
下载数据集：Tanks&Temples and Deep Blending
我将数据集放在gaussian_splatting文件夹下，创建一个datasets文件夹中。
在gaussian_splatting文件夹下打开终端：

conda activate gaussian_splatting121 python train.py-s./datasets/tandt_db/tandt/truck--eval--disable_viewer

出现：

训练结果会保存到output文件夹下：

保存了7000次迭代，我就打断了训练。

与原GS方法对比：
时间：花费50s，而原GS模型在使用sparse_adam 优化器的情况下花费了1：51s，训练速度提高约2.2倍。
文件大小：409.8MB（FastGs） 417.9MB（GS）几乎没变

用3DGS中的3. SIBR查看器可查看结果：

2.2 渲染

python render.py-m./output/ff06f445-f

出现：

渲染结果位于：

2.3 计算评估指标

python metrics.py-m./output/ff06f445-f

结果：

原GS为：

相差不大，比原GS略差。