3D Gaussian splatting 06: 代码阅读-训练参数

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

1.     # Set up command line argument parser
2.     parser = ArgumentParser(description="Training script parameters")
3.     # 模型相关参数
4.     lp = ModelParams(parser)
5.     op = OptimizationParams(parser)
6.     pp = PipelineParams(parser)
7.     # 用于连接到训练过程的IP
8.     parser.add_argument('--ip', type=str, default="127.0.0.1")
9.     # 用于连接到训练过程的端口
10.     parser.add_argument('--port', type=int, default=6009)
11.     # 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.
12.     parser.add_argument('--debug_from', type=int, default=-1)
13.     parser.add_argument('--detect_anomaly', action='store_true', default=False)
14.     # 在哪些迭代上, 对整个数据集计算 L1 和 PSNR
15.     parser.add_argument("--test_iterations", nargs="+", type=int, default=[7_000, 30_000])
16.     # 在哪些迭代上保存高斯模型
17.     parser.add_argument("--save_iterations", nargs="+", type=int, default=[7_000, 30_000])
18.     # 过程不往屏幕输出
19.     parser.add_argument("--quiet", action="store_true")
20.     # 不启动网络 GUI server
21.     parser.add_argument('--disable_viewer', action='store_true', default=False)
22.     # 在哪些迭代上保存 checkpoint, 以便将来继续训练
23.     parser.add_argument("--checkpoint_iterations", nargs="+", type=int, default=[])
24.     # 指定保存了 checkpoint 的路径, 用于继续训练
25.     parser.add_argument("--start_checkpoint", type=str, default = None)
26.     args = parser.parse_args(sys.argv[1:])

复制代码

模型参数

1. class ModelParams(ParamGroup):
2.     def __init__(self, parser, sentinel=False):
3.         # 球谐函数的最大阶数, 在创建 GaussianModel 时, 赋给 max_sh_degree
4.         self.sh_degree = 3
5.         # 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
6.         self._source_path = ""
7.         # 模型保存路径, 为空时会在output目录下创建随机目录
8.         self._model_path = ""
9.         # 图像目录名
10.         self._images = "images"
11.         # 深度图目录
12.         self._depths = ""
13.         # 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
14.         self._resolution = -1
15.         # 是否使用白色背景
16.         self._white_background = False
17.         # 训练/测试实验标志
18.         self.train_test_exp = False
19.         # 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
20.         self.data_device = "cuda"
21.         # 评估模式标志
22.         self.eval = False
23.         super().__init__(parser, "Loading Parameters", sentinel)

复制代码

渲染管线参数

1. class PipelineParams(ParamGroup):
2.     def __init__(self, parser):
3.         # 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
4.         self.convert_SHs_python = False
5.         # 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
6.         self.compute_cov3D_python = False
7.         # 调试模式, 当 rasterizer 失败时会生成 dump 文件.
8.         self.debug = False
9.         # 抗锯齿开关
10.         self.antialiasing = False
11.         super().__init__(parser, "Pipeline Parameters")

复制代码

训练过程优化参数

1. class OptimizationParams(ParamGroup):
2.     def __init__(self, parser):
3.         # 总迭代次数, 默认30000
4.         self.iterations = 30_000
6.         # 3D位置学习率初始值
7.         self.position_lr_init = 0.00016
8.         # 3D位置学习率最终值
9.         self.position_lr_final = 0.0000016
10.         # 位置学习率乘数
11.         self.position_lr_delay_mult = 0.01
12.         # 3D位置学习率从 initial 衰减至 final 所需的步数(从0开始), 默认 30000
13.         self.position_lr_max_steps = 30_000
15.         # 球谐特征量学习率
16.         self.feature_lr = 0.0025
17.         # 透明度学习率
18.         self.opacity_lr = 0.025
19.         # 缩放参数学习率
20.         self.scaling_lr = 0.005
21.         # 旋转参数学习率
22.         self.rotation_lr = 0.001
24.         # 曝光度参数学习率初始值, 最终值, 步数等
25.         self.exposure_lr_init = 0.01
26.         self.exposure_lr_final = 0.001
27.         self.exposure_lr_delay_steps = 0
28.         self.exposure_lr_delay_mult = 0.0
30.         # 触发强制增密的场景空间占比阈值(范围0到1), 默认 0.01
31.         self.percent_dense = 0.01
32.         # SSIM在总损失函数中的权重系数
33.         self.lambda_dssim = 0.2
34.         # 点云密集化的执行间隔, 默认每100次迭代执行一次
35.         self.densification_interval = 100
36.         # 不透明度重置频率
37.         self.opacity_reset_interval = 3000
38.         # 开始执行点云密集化的迭代次数
39.         self.densify_from_iter = 500
40.         # 停止执行点云密集化的迭代次数
41.         self.densify_until_iter = 15_000
42.         # 基于2D位置梯度判断是否增密点的阈值
43.         self.densify_grad_threshold = 0.0002
45.         self.depth_l1_weight_init = 1.0
46.         self.depth_l1_weight_final = 0.01
47.         # 随机背景
48.         self.random_background = False
49.         # 优化器类型
50.         self.optimizer_type = "default"
51.         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！