【免费下载链接】WildGS-SLAM[CVPR 2025] WildGS-SLAM: Monocular Gaussian Splatting SLAM in Dynamic Environments项目地址https://gitcode.com/gh_mirrors/wi/WildGS-SLAM点击查看免费下载WildGS-SLAM 是一个 CVPR 2025 收录的动态环境单目高斯泼溅Gaussian SplattingSLAM 系统输入一段普通单目视频它就能跟踪相机轨迹并重建静态 3D 高斯地图自动剔除行人等动态干扰。本文带你一步步完成WildGS-SLAM 运行自己的视频的全过程帧文件如何组织、相机内参 fx fy cx cy 如何填写、自定义数据集配置怎么改。1️⃣ WildGS-SLAM 能做什么30 秒了解在跑自己的视频前先明确它的能力边界单目 RGB 输入不需要深度相机普通手机/相机视频即可动态场景鲁棒内置不确定性模块自动识别并剔除画面中的动态物体输出双结果相机轨迹TUM 格式 静态元素的 3D 高斯泼溅地图运行入口是 run.py整个流程由一个 YAML 配置文件驱动这也是自定义数据集的精髓所在。2️⃣ 三步跑通自己的视频从帧文件到运行命令第一步把视频帧整理成 rgb 目录自定义数据的加载逻辑在 src/utils/datasets.py 中的RGB_NoPose数据加载器里它按rgb/frame*.png规则扫描帧文件因此你的目录结构必须是- {你的数据路径} - rgb - frame_00000.png - frame_00001.png - ...⚠️ 两个硬性要求帧文件必须放在名为rgb的文件夹内文件名必须以frame开头、.png结尾。如果手上有 mp4 视频可以先用 ffmpeg 抽帧ffmpeg -i input.mp4 rgb/frame_%05d.png第二步基于模板修改自定义配置文件官方已提供模板 configs/Custom/custom_template.yaml你只需改动 3 处inherit_from: ./configs/wildgs_slam.yaml scene: custom_scene # 改成你的场景名决定输出目录名 data: input_folder: ./datasets/{你的数据路径} output: ./output/Custom cam: H: 1242 W: 2208 H_out: 360 W_out: 480 fx: 1974.4219 fy: 1974.4219 cx: 1134.8486 cy: 655.6515scene你的场景名结果会保存在output/Custom/{scene}/data.input_folder指向上面整理好的数据目录cam填入与你数据集匹配的相机内参详见下表第三步一条命令启动python run.py ./configs/Custom/custom_template.yaml运行结束后相机轨迹保存在输出目录的traj/est_poses_full.txtTUM 格式实际生效的完整配置也会存为cfg.yaml方便复现。3️⃣ 相机内参配置速查表fx fy cx cy 怎么填这是自定义数据集配置中最容易出错的部分。cam各参数含义如下参数含义怎么填H/W原始帧的高度 / 宽度像素必须与你的帧文件实际尺寸一致fx/fy焦距像素单位来自相机参数表手机视频可用 Exif 或开源标定工具估算cx/cy主点坐标未裁切、未拉伸时近似为W/2、H/2H_out/W_out内部工作分辨率默认360×480显存不足就调低H_edge/W_edge边缘裁切像素数默认0仅 TUM 类带黑边数据需要distortion畸变系数有畸变系数时取消注释填入系统会对颜色图自动去畸变关键机制你只需要提供原始分辨率下的内参对应H×W系统会在数据加载时自动按缩放比例换算到工作分辨率H_out×W_out换算逻辑见 src/utils/datasets.py。也就是说内参对不上时90% 的问题是fx fy cx cy与H W不匹配。一个实用的快速校验若相机无偏振/拉伸fx ≈ fy且cx ≈ W/2、cy ≈ H/2可作为参数合理性检查。4️⃣ 避坑指南4 个进阶调参与常见问题显存不足CUDA out of memory怎么办最快的办法是降低工作分辨率在配置文件中加入cam: H_out: 240 W_out: 400注意只降H_out / W_out即可原始内参fx fy H W保持不动。户外或远距离场景效果不好单目度量深度在远距离上不稳定。模板注释中给了官方建议把不确定性权重调小见 configs/Custom/custom_template.yamlmapping: uncertainty_params: uncer_depth_mult: 0.1 # 甚至 0想看实时画面或快速出结果取消模板末尾两行注释即可开启实时 GUI 与快速模式fast_mode: True gui: Truefast_mode会把最终精化迭代从 20000 次压缩到 3000 次见 run.py适合快速验证流程。想抽帧运行或截取片段全局配置 configs/wildgs_slam.yaml 提供两个通用开关stride: 2每隔 2 帧取 1 帧降低数据量max_frames: 100只使用前 100 帧-1表示全部使用5️⃣ 进阶原理单目深度先验是怎么接入的WildGS-SLAM 虽然是单目系统但依赖一个预训练的度量深度估计模型来约束重建尺度配置项在 configs/wildgs_slam.yaml 的mono_prior下实现见 src/utils/mono_priors/metric_depth_estimators.py。模型权重需按 README 说明放入pretrained/目录这也是跑自己的视频前的一次性准备工作。下图展示了单目深度估计的典型效果WildGS-SLAM 正是利用这类先验在没有任何深度传感器的情况下恢复真实尺度6️⃣ 总结自定义数据集配置清单最后用一张清单收尾对照检查即可一次跑通✅ 帧文件放入rgb/目录命名为frame_00000.png起✅ 复制 configs/Custom/custom_template.yaml改scene与input_folder✅ 按速查表填写H W fx fy cx cy确认与原始帧尺寸匹配✅python run.py {你的配置文件路径}启动✅ 显存不足时优先调低H_out / W_out更多官方说明可参考 README.md 的 Your own dataset 章节。祝你在 WildGS-SLAM 上顺利重建自己的动态场景赞分享【免费下载链接】WildGS-SLAM[CVPR 2025] WildGS-SLAM: Monocular Gaussian Splatting SLAM in Dynamic Environments项目地址https://gitcode.com/gh_mirrors/wi/WildGS-SLAM点击查看免费下载相关推荐Torchreid自定义数据集教程如何快速集成您自己的行人数据集Torchreid自定义数据集教程如何快速集成您自己的行人数据集 Torchreid是一个基于PyTorch的深度学习行人重识别库提供了完整的训练和评估流程人工智能深度学习计算机视觉机器学习TfPyTh代码实现原理autograd.Function与custom_gradient双向梯度桥接机制全剖析TfPyTh代码实现原理autograd.Function与custom_gradient双向梯度桥接机制全剖析 TfPyTh 是一个面向 PyTorch 与如何把自己的AI Agent接入NeverWrite自定义ACP运行时完全指南如何把自己的AI Agent接入NeverWrite自定义ACP运行时完全指南 NeverWrite 是一个开源的 agentic markdown work上一篇3分钟快速上手JupyterLab变量监控插件数据科学调试的终极利器下一篇Wand-Enhancer3 步免费解锁 Wand 修改器增强还能用手机远程改游戏创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
