实验笔记之——Linux实现COLMAP

之前博客跑instant-NGP的时候，除了用官方的数据集，用自己的数据则是通过手机采集，同时获得pose与image。但是这种获取的方式对于3D gaussian而言，并不支持对应的数据格式，为此采用COLMAP来根据image获取pose，进而给NeRF提供数据~

实验笔记之——基于windows复现Instant-NGP-CSDN博客文章浏览阅读726次，点赞19次，收藏10次。之前博客对NeRF-SLAM进行了调研，本博文先复现一下Intant-NGP。学习笔记之——NeRF SLAM（基于神经辐射场的SLAM）-CSDN博客NeRF 所做的任务是 Novel View Synthesis（新视角合成），即在若干已知视角下对场景进行一系列的观测（相机内外参、图像、Pose 等），合成任意新视角下的图像。传统方法中，通常这一任务采用三维重建再渲染的方式实现，NeRF 希望不进行显式的三维重建过程，仅根据内外参直接得到新视角渲染的图像。https://blog.csdn.net/gwplovekimi/article/details/135336357?spm=1001.2014.3001.5502配置的过程请参考官网链接：Installation — COLMAP 3.9-dev documentation

COLMAP实际上就是sfm了~原理就不细看了，直接用了

由于实验室的服务器已经安装好了COLMAP了，所以此处就直接使用。通过下面命令即可开启COLMAP的GUI

colmap gui

如下所示

点击Reconstruction?>?Automatic?Reconstruction进行一系列基本设置

输出的结果会写在workspace folder中（如果图像在path/to/project/images中，那么就应该选择path/to/project作为workspace）

而由于我当前的数据结构如下，所以也要设置一下image folder

然后点击run

在运行automatic reconstration之后，文件夹会变成这样

+── images
│   +── image1.jpg
│   +── image2.jpg
│   +── ...
+── sparse
│   +── 0
│   │   +── cameras.bin
│   │   +── images.bin
│   │   +── points3D.bin
│   +── ...
+── dense
│   +── 0
│   │   +── images
│   │   +── sparse
│   │   +── stereo
│   │   +── fused.ply
│   │   +── meshed-poisson.ply
│   │   +── meshed-delaunay.ply
│   +── ...
+── database.db

然后，?path/to/project/sparse包含的是重建得到的稀疏模型，?path/to/project/dense包含的是dense模型， 点云fused.ply可以加载到COLMAP图形界面中， 从File>Importmodelfrom...进入，而密集的网格必须通过外部查看器(如Meshlab)来可视化。

而在3D Gaussian中，写好了脚本去跑的（忽略ImageMagick ，因为手机产生的图片失真应该比较少）

此处直接用

python convert.py -s <location> [--resize] #If not resizing, ImageMagick is not needed

需要将图片打包好如下格式

<location>
|---input
    |---<image 0>
    |---<image 1>
    |---...

运行

python convert.py -s /home/gwp/dataset/30fps