本文主要是介绍实验笔记之——Linux实现COLMAP，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
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
这篇关于实验笔记之——Linux实现COLMAP的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
