关于深度学习项目的docker部署踩坑记录，主要用来告诉大家一件事情，安装nvidia-container-toolkit而不是nvidia-docker，不要浪费时间在找没用的帖子身上，食用方式，一只手握住鼠标，一只手握住一杯卡布奇诺，嘶。。。

现有的3D重建方法要么依赖于缓慢的逐场景优化，要么需要庞大的可泛化模型，因此难以适用于实时应用和内存受限的环境。总体而言，离线时序感知模型与上一轮介绍的在线模型形成互补：在线模型追求低延迟和实时流式处理，而离线模型优先保证全局一致性和重建质量，适用于对时序连贯性要求较高的非实时应用场景。总体而言，这些方法共同推动了在线、实时、可扩展的4D重建技术发展，各自在不同维度（计算效率、形变处理、长序列一致

从二维输入重建三维表示是计算机视觉与图形学中的一项基础任务，是理解和交互物理世界的基石。传统方法虽能实现高保真度，但受限于逐场景优化速度慢或需按类别训练，阻碍了其实际部署与可扩展性。因此，近年来可泛化的前馈式三维重建技术发展迅速。这类方法通过训练一个模型，使其在单次前向传递中直接将图像映射为三维表示，从而实现了高效重建和跨场景的鲁棒泛化。

如果以上步骤都没有解决问题，建议重启系统，并确保所有相关服务（如CUDA驱动）正确启动后再运行脚本。t=N7T8。

在本文中，提出了一种新颖的可泛化高斯方法 SmileSplat，可以对无约束（未标定相机的）稀疏多视图图像的不同场景，进行像素对齐级别的高斯面元重建。首先，基于 多头 高斯 回归 解码器 预测高斯面元，它可以用较小的自由度表示，但具有更好的多视图一致性。此外，我们基于高质量的法向先验，增强了高斯面元的法向向量。其次，基于所提出的Bundle-Adjusting高斯泼溅模块，对高斯和相机参数（外参和

本教程提供了多视角立体视觉领域的实践视角，重点介绍实用算法。多视角立体视觉算法能够仅从图像中构建高度详细的三维模型。这些算法通过处理可能非常庞大的图像集，构建出一个在合理假设下能够解释这些图像的三维几何结构，其中最重要的假设是场景的刚性。教程将多视角立体视觉问题定义为图像与几何一致性优化问题，并详细描述其两个核心要素：光度一致性度量的鲁棒实现和高效优化算法。接着，教程介绍了一些最成功的算法如何利用

在获取全局粗糙的 3DGS 模型时（CityGS一开始是用极低的分辨率或者少量的数据，把整个大场景跑一遍，得到一个粗糙但整体一致的 3DGS 模型），我们先通过 SAGP 剪枝（Pruning）来消除冗余的高斯点，以防止这些冗余的高斯点在随后的分块训练期间吸引无贡献的视角，从而增加计算负荷。然后，在分区阶段，我们在每个子块的边界处保留了公共的高斯，以避免因为区块之间的几何不连续而引入肉眼可见的融合

而不是所有文件夹使用同一个相机模型)，然后特征匹配，这里可以使用前面重建上下环绕视角的时候得到的database.db文件，里面存储了之前的特征提取和匹配的数值，这样可以更快一点。从拍摄的照片来看，虽然是对着楼宇上下拍摄，但是无人机的镜头并没有调正，很多照片全是偏向于俯视，头大尾小，虽然这样不影响重建效果，但是处理这些必然是要花费更多时间，相比于端正拍摄的镜头来说。，这个指向已有的稀疏点云，也就是

colmap计算的Ubuntu版本，歪瑞因垂丝汀，快来looklook！

图 2 概述了方法。