目录
- 3D Gaussian splatting 01: 环境搭建
- 3D Gaussian splatting 02: 快速评估
- 3D Gaussian splatting 03: 用户数据训练和结果查看
- 3D Gaussian splatting 04: 代码阅读-提取相机位姿和稀疏点云
- 3D Gaussian splatting 05: 代码阅读-训练整体流程
- 3D Gaussian splatting 06: 代码阅读-训练参数
- 3D Gaussian splatting 07: 代码阅读-训练载入数据和保存结果
- 3D Gaussian splatting 08: 代码阅读-渲染
训练参数
训练程序入参除了训练过程参数, 另外设置了ModelParams, OptimizationParams, PipelineParams三个参数组, 分别控制数据加载、渲染计算和优化训练环节, 这些参数类共同构成3D高斯渲染模型的核心配置. 在项目的 README.md 中有大部分参数的说明.
以下在注释中标出主要参数的含义
训练过程参数
- # Set up command line argument parser
- parser = ArgumentParser(description="Training script parameters")
- # 模型相关参数
- lp = ModelParams(parser)
- op = OptimizationParams(parser)
- pp = PipelineParams(parser)
- # 用于连接到训练过程的IP
- parser.add_argument('--ip', type=str, default="127.0.0.1")
- # 用于连接到训练过程的端口
- parser.add_argument('--port', type=int, default=6009)
- # 因为debug影响速度, 通过这个参数可以指定从哪个迭代开始启用 debug.
- parser.add_argument('--debug_from', type=int, default=-1)
- parser.add_argument('--detect_anomaly', action='store_true', default=False)
- # 在哪些迭代上, 对整个数据集计算 L1 和 PSNR
- parser.add_argument("--test_iterations", nargs="+", type=int, default=[7_000, 30_000])
- # 在哪些迭代上保存高斯模型
- parser.add_argument("--save_iterations", nargs="+", type=int, default=[7_000, 30_000])
- # 过程不往屏幕输出
- parser.add_argument("--quiet", action="store_true")
- # 不启动网络 GUI server
- parser.add_argument('--disable_viewer', action='store_true', default=False)
- # 在哪些迭代上保存 checkpoint, 以便将来继续训练
- parser.add_argument("--checkpoint_iterations", nargs="+", type=int, default=[])
- # 指定保存了 checkpoint 的路径, 用于继续训练
- parser.add_argument("--start_checkpoint", type=str, default = None)
- args = parser.parse_args(sys.argv[1:])
复制代码 模型参数
- class ModelParams(ParamGroup):
- def __init__(self, parser, sentinel=False):
- # 球谐函数的最大阶数, 在创建 GaussianModel 时, 赋给 max_sh_degree
- self.sh_degree = 3
- # 数据源路径, 即convert.py的工作目录, 目录下有提取相机位姿和稀疏点云后产生的 images, sparse 这些子目录
- self._source_path = ""
- # 模型保存路径, 为空时会在output目录下创建随机目录
- self._model_path = ""
- # 图像目录名
- self._images = "images"
- # 深度图目录
- self._depths = ""
- # 图像分辨率, 指定分辨率, 1:原始分辨率, 2:1/2, 4:1/4, 8:1/8
- self._resolution = -1
- # 是否使用白色背景
- self._white_background = False
- # 训练/测试实验标志
- self.train_test_exp = False
- # 指定存储图像数据的设备, 默认是cuda, 但是如果图像数据较多, 分辨率高, 改成cpu可以节省VRAM消耗, 相应的会影响训练速度
- self.data_device = "cuda"
- # 评估模式标志
- self.eval = False
- super().__init__(parser, "Loading Parameters", sentinel)
复制代码 渲染管线参数
- class PipelineParams(ParamGroup):
- def __init__(self, parser):
- # 使用 Pytorch (而不是项目定义的前向和后向传播函数) 处理球谐函数
- self.convert_SHs_python = False
- # 使用 Pytorch (而不是项目定义的前向和后向传播函数) 计算3D协方差
- self.compute_cov3D_python = False
- # 调试模式, 当 rasterizer 失败时会生成 dump 文件.
- self.debug = False
- # 抗锯齿开关
- self.antialiasing = False
- super().__init__(parser, "Pipeline Parameters")
复制代码 训练过程优化参数
- class OptimizationParams(ParamGroup):
- def __init__(self, parser):
- # 总迭代次数, 默认30000
- self.iterations = 30_000
- # 3D位置学习率初始值
- self.position_lr_init = 0.00016
- # 3D位置学习率最终值
- self.position_lr_final = 0.0000016
- # 位置学习率乘数
- self.position_lr_delay_mult = 0.01
- # 3D位置学习率从 initial 衰减至 final 所需的步数(从0开始), 默认 30000
- self.position_lr_max_steps = 30_000
- # 球谐特征量学习率
- self.feature_lr = 0.0025
- # 透明度学习率
- self.opacity_lr = 0.025
- # 缩放参数学习率
- self.scaling_lr = 0.005
- # 旋转参数学习率
- self.rotation_lr = 0.001
- # 曝光度参数学习率初始值, 最终值, 步数等
- self.exposure_lr_init = 0.01
- self.exposure_lr_final = 0.001
- self.exposure_lr_delay_steps = 0
- self.exposure_lr_delay_mult = 0.0
- # 触发强制增密的场景空间占比阈值(范围0到1), 默认 0.01
- self.percent_dense = 0.01
- # SSIM在总损失函数中的权重系数
- self.lambda_dssim = 0.2
- # 点云密集化的执行间隔, 默认每100次迭代执行一次
- self.densification_interval = 100
- # 不透明度重置频率
- self.opacity_reset_interval = 3000
- # 开始执行点云密集化的迭代次数
- self.densify_from_iter = 500
- # 停止执行点云密集化的迭代次数
- self.densify_until_iter = 15_000
- # 基于2D位置梯度判断是否增密点的阈值
- self.densify_grad_threshold = 0.0002
- self.depth_l1_weight_init = 1.0
- self.depth_l1_weight_final = 0.01
- # 随机背景
- self.random_background = False
- # 优化器类型
- self.optimizer_type = "default"
- super().__init__(parser, "Optimization Parameters")
复制代码 来源:程序园用户自行投稿发布,如果侵权,请联系站长删除
免责声明:如果侵犯了您的权益,请联系站长,我们会及时删除侵权内容,谢谢合作! |