上篇文章，使用postshot进行3D高斯泼溅，取得了不错的效果。
然而，由于postshot的限制，非付费用户无法导出模型，致使其实用性有所受限。
于是，调研了一下开源的3D高斯泼溅的方案。
实际上，对于非技术人员，直接使用brush[1]这款软件，就很方便。它适配了 Windows/macOS/Linux 不同的系统。
之前的文章也用过它，它的特点是开箱即用，训练速度很快，但最终的精度没有特别高。
本文更多从开发者的视角出发，来使用 gsplat[2] 这套方案，配置会略复杂，但结果会更好。
gsplat 简介
gsplat 不是一个软件，而是一个深度优化CUDA的开源Python库。
它的作者是 Nerfstudio 团队，这个团队最出名的项目是 Nerfstudio，是对 NeRFs 方法支持最好的一套框架。
据其所述，出于对新一代技术的好奇，他们构建了 gsplat 这个库。
它支持 Windows/Linux 两个系统，使用前必须准备好 Nvidia 显卡。
安装环境
下面以 Windows 为例进行安装。
由于每台系统的初始环境都略有区别，我所遇到的问题，在不同环境安装，未必会一模一样。如果遇到相同的问题，可参考我的思路进行解决。
首先，创建python3.10的环境，这里一定需要是3.10的版本，这是官方所推荐的版本。
uv venv --python 3.10 .venv .\.venv\Scripts\activate然后安装核心依赖：
uv pip install gsplat uv pip install torch torchvision --extra-index-url https://download.pytorch.org/whl/cu121这里的cu121是我本机装的CUDA版本为12.1，这个版本号必须严格对应，否则后面会出现cu编译异常的问题。
如果不清楚自己电脑的CUDA版本，可通过以下命令查看：
nvcc -V另外，安装的顺序不要变，gsplat会自动安装torch的最新版本，在windows上，默认是cpu版本。所以，后面要再安装一次 torch 的gpu版本，进行版本更换。
安装完后，可以运行以下测试脚本，以判断torch是否能正确调用GPU。
importtorchprint(torch.__version__)print(torch.cuda.is_available())print(torch.version.cuda)安装好核心的 torch 库之后，再安装其它依赖。
它的所有依赖都写在examples/requirements.txt这个文件中，但一口气安装会出现问题，各模块之间的依赖关系并不清晰。
因此，我采用一个一个单独安装。
uv pip install imageio uv pip install imageio[ffmpeg] uv pip install imageio[pyav] uv pip install tqdm uv pip install tyro uv pip install viser uv pip install pyyaml uv pip install opencv-python uv pip install git+https://github.com/rmbrualla/pycolmap@cc7ea4b7301720ac29287dbe450952511b32125e uv pip install numpy==1.26.4 uv pip install setuptools uv pip install tensorboard uv pip install torchmetrics uv pi
