旅游电子商务网站的建设,房地产门户网站,顺德网站优化,做网页用什么编程语言之前博客对SplaTAM进行了配置#xff0c;并对其源码进行解读。
学习笔记之——3D Gaussian SLAM#xff0c;SplaTAM配置#xff08;Linux#xff09;与源码解读-CSDN博客SplaTAM全称是《SplaTAM: Splat, Track Map 3D Gaussians for Dense RGB-D SLAM》#xff0c;…之前博客对SplaTAM进行了配置并对其源码进行解读。
学习笔记之——3D Gaussian SLAMSplaTAM配置Linux与源码解读-CSDN博客SplaTAM全称是《SplaTAM: Splat, Track Map 3D Gaussians for Dense RGB-D SLAM》是第一个也是目前唯一一个开源的用3D Gaussian Splatting3DGS来做SLAM的工作。在下面博客中已经对3DGS进行了调研与学习。其中也包含了SplaTAM算法的基本介绍。学习笔记之——3D Gaussian Splatting及其在SLAM与自动驾驶上的应用调研-CSDN博客。https://blog.csdn.net/gwplovekimi/article/details/135647242?csdn_share_tail%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22135647242%22%2C%22source%22%3A%22gwplovekimi%22%7D在原博客中也对TUM-RGBD数据集的freiburg1_desk_seed0进行了测试感觉效果一般般为此本博文打算对下载的TUM几个序列都进行测试看看效果。
本博文为本人实验测试SplaTAM过程的实验记录本博文仅供本人实验记录用~ 目录
运行过程
rgbd_dataset_freiburg1_desk
rgbd_dataset_freiburg1_desk2
rgbd_dataset_freiburg1_room
rgbd_dataset_freiburg2_xyz
rgbd_dataset_freiburg3_long_office_household
总结与分析 运行过程 注意要修改configs/tum/splatam.py中的scene_name来决定训练哪个序列 (之前的desk训练时间大概30分钟左右还是打开一下tmux吧)
tmux new -s desk2
tmux new -s room
tmux new -s xyz
tmux new -s household(开启运行的环境)
conda activate splatam开始测试运行
python scripts/splatam.py configs/tum/splatam.py
运行后可以看到experiments文件如下 忘记指定GPU了都挤到一块板子上跑了 等待一段时间下面看看再各个序列的测试效果
要训练完才可以可视化建图与定位的效果注意跟训练一样要修改对应的config文件来选用序列seed统一都为0
最终的建图效果
python viz_scripts/final_recon.py configs/tum/splatam.py训练过程的可视化
python viz_scripts/online_recon.py configs/tum/splatam.py rgbd_dataset_freiburg1_desk SplaTAM Testing using TUM-Dataset freiburg1 SplaTAM Testing using TUM-Dataset freiburg1 训练完结果如下PSNR只有21.49算是比较差的吧当然deth恢复的精度是3.38cm以及定位精度是3.34论文里面是3.35这个结果还是不错的。细看论文会发现论文里面对于TUM数据集好像只用来验证定位精度而mapping性能都是采用Replica与ScanNet。目前不打算花太多时间去逐一验证了有小伙伴验证了的话可以给个评论看看是否如论文的效果因为在tum数据集上个人感觉mapping效果一般般~ rgbd_dataset_freiburg1_desk2 结果如下 这个效果比上面的要更差一些可以发现各个性能指标都差一些。
视频效果如下所示 rgbd_dataset_freiburg1_room 结果如下 rgbd_dataset_freiburg2_xyz rgbd_dataset_freiburg3_long_office_household 总结与分析 后面有时间再试试用手机实测来看看吧不过目前看来用数据集测试的效果都比较差实时性也很一般比如rgbd_dataset_freiburg1_desk序列都训练30多分钟了PSNR还只有21左右应该3DGS性能不至于这样可能是因为一些参数的设置包括剪枝等等的操作吧~感觉还是有比较大可以研究的空间~
