069、NeRF/Gaussian Splatting 训练太慢？数据预处理、加速采样与低分辨率预热方案

069、NeRF/Gaussian Splatting 训练太慢？数据预处理、加速采样与低分辨率预热方案

上周帮团队调一个室内场景的3D高斯泼溅项目，跑了12小时还没收敛到能看的PSNR。同事说“这数据量才200张图啊”，我看了眼日志——每轮迭代采样时间占了70%，数据加载卡在CPU瓶颈上。这种问题太典型了，NeRF和3DGS的训练慢，很多时候不是模型本身的问题，而是数据流和采样策略没做对。

数据预处理：别让CPU成为瓶颈

先看最容易被忽视的环节。很多人拿到一组图片直接开训，结果每轮迭代都在重复做同一件事——解码、缩放、归一化。我见过最夸张的情况，一个720p的室内场景，训练时每帧都要从PNG解压到float数组，光这一步就吃掉200ms。

正确的做法是把预处理结果固化下来。对于NeRF，把图片统一缩放到目标分辨率（比如800x600），转成float32的numpy数组，存成.npy或.bin文件。对于3DGS，除了图片本身，还要预计算SfM点云的深度范围、场景边界框，这些信息在训练中不会变，没必要每次重新算。

# 这里踩过坑：直接读原始图片再resize，每轮都做# 别这样写