敘述網(wǎng)站制作的流程,企業(yè)網(wǎng)站優(yōu)化系統(tǒng),網(wǎng)站建設(shè) 拖欠尾款,深圳定制展會一、引言#xff1a;為什么 3DGS 需要 FastGS#xff1f;#xff08;動機#xff09;1.1 3D Gaussian Splatting 的成功與瓶頸3D Gaussian Splatting#xff08;3DGS#xff09;通過顯式三維高斯表示與可微分的 splatting 渲染方式#xff0c;在新視角合成任務(wù)中取得了極…一、引言為什么 3DGS 需要 FastGS動機1.1 3D Gaussian Splatting 的成功與瓶頸3D Gaussian Splatting3DGS通過顯式三維高斯表示與可微分的 splatting 渲染方式在新視角合成任務(wù)中取得了極高的渲染效率與畫質(zhì)表現(xiàn)。相比于 NeRF 等體渲染方法3DGS 在訓(xùn)練速度與推理速度上具有顯著優(yōu)勢。然而在訓(xùn)練過程中vanilla 3DGS 也暴露出了一些結(jié)構(gòu)層面的瓶頸問題densify 過程高度依賴單視角的梯度信息容易在局部視角下過度增密prune 策略主要依賴 opacity 和尺度等靜態(tài)閾值缺乏對長期貢獻度的判斷高斯數(shù)量隨訓(xùn)練輪數(shù)快速膨脹帶來顯著的計算與顯存開銷從本質(zhì)上看3DGS 的結(jié)構(gòu)優(yōu)化densify / prune是一種“單視角、局部、貪心”的策略。1.2 FastGS 的核心思想多視圖一致性為了解決上述問題FastGS 并沒有改變 3DGS 的基本表示方式或 CUDA 渲染流程而是將優(yōu)化重點放在了densify 與 prune 的決策機制上。FastGS 的核心思想是一個 Gaussian 是否值得被保留或細化不應(yīng)只由某一個視角的瞬時梯度決定而應(yīng)由多個視角下的長期重建一致性來判斷。一句話總結(jié)FastGS 用多視圖一致性重新定義了 densify 與 prune。由此引出了 FastGS 中兩個關(guān)鍵概念VCDView-consistent Densification與 VCPView-consistent Pruning。二、FastGS 中的 VCD 與 VCP 是什么2.1 兩個關(guān)鍵概念FastGS 的核心貢獻可以概括為以下兩個概念VCDView-consistent Densification只有在多個視角中反復(fù)參與高誤差區(qū)域的 Gaussian才被認為是真正需要 densify 的對象。VCPView-consistent Pruning對那些在多個視角下長期造成重建失敗、但對整體渲染質(zhì)量貢獻有限的 Gaussian進行優(yōu)先剪枝。需要特別強調(diào)的一點是VCD 與 VCP 構(gòu)成了 FastGS 與 vanilla 3DGS 的本質(zhì)分界線。2.2 FastGS 的整體算法流程概覽從整體流程上看FastGS 的訓(xùn)練與結(jié)構(gòu)優(yōu)化可以概括為以下步驟從訓(xùn)練視角池中隨機采樣多個相機視角在每個視角下進行渲染并計算光度誤差構(gòu)建高誤差像素區(qū)域metric map統(tǒng)計每個 Gaussian 在多視角中的誤差參與情況基于多視圖一致性分數(shù)執(zhí)行 densifyVCD與 pruneVCP????VCD 與 VCP 的具體實現(xiàn)流程在代碼層面FastGS 的多視圖一致性邏輯主要由以下兩個核心函數(shù)完成compute_gaussian_score_fastgs負責(zé)從多視角中統(tǒng)計每個 Gaussian 的一致性評分densify_and_prune_fastgs基于上述評分執(zhí)行結(jié)構(gòu)優(yōu)化操作三、VCD / VCP 的信息來源compute_gaussian_score_fastgs本章重點講清楚一個問題FastGS 中“多視角一致性分數(shù)”究竟是怎么計算出來的3.1 函數(shù)整體作用說明先用一句話定性compute_gaussian_score_fastgs的作用是從多個視角統(tǒng)計每個 Gaussian 在高誤差區(qū)域中出現(xiàn)的頻率用于指導(dǎo) densify 和 prune。換句話說這個函數(shù)不直接修改 Gaussian而是為后續(xù)的VCDView-consistent Densification和VCPView-consistent Pruning提供決策依據(jù)。def compute_gaussian_score_fastgs(camlist, gaussians, pipe, bg, args, DENSIFY False): Compute multi-view consistency scores for Gaussians to guide densification. For each camera in camlist the function renders the scene and computes a photometric loss and a binary metric map of high-error pixels. It accumulates per-Gaussian counts of views that flagged the Gaussian and a weighted photometric score across views. Args: camlist (list): list of viewpoint camera objects to render from. gaussians: current Gaussian representation (model/state) used for rendering. pipe: rendering pipeline/context required by render. bg: background used for rendering. args: runtime config containing thresholds (e.g. loss_thresh). DENSIFY (bool): whether to compute and return the importance score used for densification. If False, only the pruning score is computed. Returns: importance_score (Tensor): per-Gaussian integer counts of how many views marked the Gaussian as high-error (floor-averaged across views). This output is only returned if DENSIFY is True. pruning_score (Tensor): normalized (0..1) per-Gaussian score used to prioritize densification (higher means worse reconstruction consistency). 計算 FastGS 的多視角一致性評分 核心思想 - 從多個視角渲染 - 找出高誤差像素區(qū)域 - 統(tǒng)計哪些 Gaussian 在多個視角下反復(fù)參與高誤差區(qū)域 - 用于 densify / prune 決策 # 統(tǒng)計每個 Gaussian 被多少個視角標(biāo)記為“高誤差相關(guān)” full_metric_counts None # 統(tǒng)計每個 Gaussian 的加權(quán)光度誤差 full_metric_score None for view in range(len(camlist)): my_viewpoint_cam camlist[view] # 第一次普通渲染用于計算誤差 render_image render_fastgs(my_viewpoint_cam, gaussians, pipe, bg, args.mult)[render] # 當(dāng)前視角的整體光度誤差標(biāo)量計算該視角的整體重建質(zhì)量 E(photo,j) photometric_loss compute_photometric_loss(my_viewpoint_cam, render_image) gt_image my_viewpoint_cam.original_image.cuda() get_flag True # 獲取逐像素 L1 誤差熱力圖 l1_loss_norm get_loss(render_image, gt_image) # 構(gòu)造 metric map高于閾值的像素記為 1 # 表示這些區(qū)域是“重建失敗區(qū)域” metric_map (l1_loss_norm args.loss_thresh).int() # 第二次渲染攜帶 metric_map # renderer 內(nèi)部會統(tǒng)計每個 Gaussian # 在多少“高誤差像素”中被使用 # 第二次渲染get_flag True似乎可以用來計數(shù) render_pkg render_fastgs(my_viewpoint_cam, gaussians, pipe, bg, args.mult, get_flag get_flag, metric_map metric_map) # 每個 Gaussian 在該視角下 # 參與高誤差像素的次數(shù) accum_loss_counts render_pkg[accum_metric_counts] # 累積多視角的“命中次數(shù)”densify 用 if DENSIFY: if full_metric_counts is None: full_metric_counts accum_loss_counts.clone() else: full_metric_counts accum_loss_counts # 累積多視角的“加權(quán)光度誤差”prune 用pure基本上就是在densify基礎(chǔ)上乘以一個photometric_loss # VCP是刪除損失photometric_loss不大但是誤差像素多的點也就是基本上對渲染質(zhì)量沒有貢獻的點 # pruning_score是出現(xiàn)于高誤差區(qū)域accum_metric_counts且該視角整體誤差還很大photometric_loss #pruning_score 大 “在很多視角里都失敗” if full_metric_score is None: full_metric_score photometric_loss * accum_loss_counts.clone() else: full_metric_score photometric_loss * accum_loss_counts # 將 pruning score 歸一化到 [0,1] pruning_score (full_metric_score - torch.min(full_metric_score)) / (torch.max(full_metric_score) - torch.min(full_metric_score)) if DENSIFY: # importance_score Gaussian 在多少個視角中 # 被認為是“高誤差相關(guān)”的平均次數(shù)向下取整 importance_score torch.div(full_metric_counts, len(camlist), rounding_modefloor) else: importance_score None # 返回 # importance_score → 決定 densifyclone / split # pruning_score → 決定 prune return importance_score, pruning_score3.2 多視角渲染與誤差區(qū)域構(gòu)建在compute_gaussian_score_fastgs中會對每一個采樣到的視角執(zhí)行一次完整的誤差分析流程具體步驟如下對每個視角進行一次普通渲染得到該視角下的重建圖像計算 photometric loss表示該視角整體的重建誤差水平計算逐像素 L1 loss得到像素級的誤差熱力圖構(gòu)造誤差區(qū)域metric_mapmetric_map (l1_loss_norm args.loss_thresh).int()3.3 利用 CUDA rasterization 統(tǒng)計 Gaussian–誤差像素關(guān)聯(lián)這一部分是FastGS 的核心亮點。在 FastGS 中每個視角都會進行第二次渲染并顯式設(shè)置第二次渲染get_flag True在這次渲染過程中統(tǒng)計邏輯并不發(fā)生在 Python 層而是被嵌入到了 CUDA rasterization 內(nèi)核中。具體來說在CUDA kernel內(nèi)部會執(zhí)行如下統(tǒng)計對每個 Gaussian統(tǒng)計它參與了多少個高誤差像素最終得到的結(jié)果是accum_metric_counts表示該 Gaussian 在當(dāng)前視角下參與高誤差像素的次數(shù)你可以重點強調(diào)一句FastGS 并不是在 Python 層逐 Gaussian 統(tǒng)計而是將統(tǒng)計邏輯嵌入到 rasterization CUDA 內(nèi)核中完成。這也是 FastGS 能在引入多視角一致性分析的同時依然保持高效率的重要原因。3.4importance_score與pruning_score的定義FastGS 最終會為每個 Gaussian 計算兩個關(guān)鍵分數(shù)分別對應(yīng)VCD與VCP。1importance_scoreVCD定義形式為importance_score floor(full_metric_counts / num_views)含義說明一個 Gaussian在多少個視角中被認為是“高誤差相關(guān)”用于 densifyVCD2pruning_scoreVCP其累積方式為full_metric_score photometric_loss * accum_metric_counts歸一化后含義pruning_score較大表示該 Gaussian在多個視角中且整體重建質(zhì)量較差持續(xù)參與高誤差區(qū)域用于 pruneVCP四、VCD / VCP 的執(zhí)行層densify_and_prune_fastgs在前一章中我們已經(jīng)詳細解釋了FastGS 中多視角一致性分數(shù)是如何計算得到的。本章將進一步回答一個更關(guān)鍵的問題當(dāng)這些分數(shù)被計算出來之后FastGS 是“如何真正作用于 Gaussian 結(jié)構(gòu)的”換句話說這一章關(guān)注的是importance_score與pruning_score是如何被用于實際的 densifyVCD與 pruneVCP操作從而改變 Gaussian 的數(shù)量、分布與尺度也正是在這一執(zhí)行層中FastGS 與 vanilla 3DGS 的差異被真正“落實”為可觀察的訓(xùn)練行為。def densify_and_prune_fastgs(self, max_screen_size, min_opacity, extent, radii, args, importance_score None, pruning_score None): # 剪枝 Densification and Pruning based on FastGS criteria: 1. The gaussians candidate for densification are selected based on the gradient of their position first. 2. Then, based on their average metric score (computed over multiple sampled views), they are either densified (cloned) or split. This is our main contribution compared to the vanilla 3DGS. 3. Finally, gaussians with low opacity or very large size are pruned. FastGS 的 densify prune 主邏輯函數(shù) 核心思想與 vanilla 3DGS 的區(qū)別 1. 先用高斯中心位置的梯度篩選“確實需要細化”的候選高斯 2. 再用 FastGS 的多視角一致性指標(biāo)importance_score 對 densify 候選進行二次篩選VCDView-consistent Densification 3. 最后結(jié)合 opacity / 尺寸約束 多視角失敗指標(biāo)pruning_score 執(zhí)行剪枝VCPView-consistent Pruning # # 1. 計算位置梯度的平均值和 vanilla 3DGS 一致 # # xyz_gradient_accum: 訓(xùn)練過程中累計的 xyz 梯度 # denom: 累計次數(shù)或歸一化因子 grad_vars self.xyz_gradient_accum / self.denom # 防止出現(xiàn) NaN如某些高斯沒有被采樣到 grad_vars[grad_vars.isnan()] 0.0 # 保存當(dāng)前渲染得到的 2D 半徑用于后續(xù) prune 判斷 self.tmp_radii radii # 絕對梯度版本常用于 split 判斷更敏感 grads_abs self.xyz_gradient_accum_abs / self.denom grads_abs[grads_abs.isnan()] 0.0 # # 2. 基于梯度閾值篩選 densify 候選第一道門 # # grad_thresh位置梯度足夠大說明該高斯對重建誤差敏感 grad_qualifiers torch.where(torch.norm(grad_vars, dim-1) args.grad_thresh, True, False) # grad_abs_thresh用于 split 的更激進梯度閾值 grad_qualifiers_abs torch.where(torch.norm(grads_abs, dim-1) args.grad_abs_thresh, True, False) # # 3. 基于高斯尺度區(qū)分 clone / splitvanilla 3DGS 規(guī)則 # # 尺度較小的高斯更適合 clone復(fù)制 clone_qualifiers torch.max(self.get_scaling, dim1).values args.dense*extent # 尺度較大的高斯更適合 split分裂成多個小高斯 split_qualifiers torch.max(self.get_scaling, dim1).values args.dense*extent # 同時滿足“梯度大 尺度小”的 clone 候選 all_clones torch.logical_and(clone_qualifiers, grad_qualifiers) # 同時滿足“梯度大abs 尺度大”的 split 候選 all_splits torch.logical_and(split_qualifiers, grad_qualifiers_abs) # # 4. FastGS 核心多視角一致性 densifyVCD # # importance_score 來自 compute_gaussian_score_fastgs # 表示一個 Gaussian 在多個視角中 # 反復(fù)參與“高誤差像素區(qū)域”的平均次數(shù) # # 只有多視角一致“確實有問題”的高斯才允許 densify # This is our multi-view consisent metric for densification # We use this metric to further filter the candidates for densification, which is similar to taming 3dgs. metric_mask importance_score 5 # 在傳統(tǒng) densify 候選的基礎(chǔ)上all_clones再加一層多視角一致性過濾metric_mask # 實際 clone 的 mask metric_mask all_clones self.densify_and_clone_fastgs(metric_mask, all_clones) # 實際 split 的 mask metric_mask all_splits self.densify_and_split_fastgs(metric_mask, all_splits) # # 5. 基礎(chǔ)剪枝規(guī)則vanilla 3DGS # # 低 opacity 的高斯基本不貢獻顏色可直接刪除 prune_mask (self.get_opacity min_opacity).squeeze() if max_screen_size:#如果有設(shè)置最大屏幕尺寸 # 屏幕空間半徑過大渲染開銷大 / 異常 big_points_vs self.max_radii2D max_screen_size # 世界空間尺度過大可能是異常高斯 big_points_ws self.get_scaling.max(dim1).values 0.1 * extent # 合并所有傳統(tǒng) prune 條件prune_mask先確定“允許被刪”的大集合這一步 不看多視角你在物理/渲染層面就已經(jīng)很可疑了 prune_mask torch.logical_or(torch.logical_or(prune_mask, big_points_vs), big_points_ws) # # 6. FastGS 核心多視角一致性剪枝VCP # # pruning_score 越大表示該高斯在多視角下持續(xù)造成重建失敗 # 這里將其翻轉(zhuǎn)成“保留得分” # scores 1 - pruning_score翻轉(zhuǎn)語義 # scores大表示更加可靠 scores 1 - pruning_score # 理論上可以刪除的點數(shù)量 to_remove torch.sum(prune_mask) # 實際刪除預(yù)算更保守避免一次刪太多導(dǎo)致質(zhì)量震蕩只刪“可刪集合”的一半剩下的留給下一輪避免一次性刪掉大量高斯導(dǎo)致畫質(zhì)瞬間崩掉 # 所以引入remove_budget刪除預(yù)算這個是不是某些3D GS優(yōu)化方法采用的呢 remove_budget int(0.5 * to_remove) # 使用帶權(quán)隨機采樣而不是直接閾值一刀切 # 權(quán)重 ~ 1 / scores → pruning_score 大的更容易被刪 # The budget is not necessary for our method. if remove_budget: n_init_points self.get_xyz.shape[0] padded_importance torch.zeros((n_init_points), dtypetorch.float32) # 只對現(xiàn)存高斯賦權(quán)重 padded_importance[:scores.shape[0]] 1 / (1e-6 scores.squeeze()) selected_pts_mask torch.zeros_like(padded_importance, dtypebool, devicecuda) # 所以還是找prune_score大的點對嗎。按權(quán)重隨機采樣需要刪除的高斯索引根據(jù) padded_importance 作為權(quán)重隨機抽 remove_budget 個索引權(quán)重大 → 更容易被抽中 sampled_indices torch.multinomial(padded_importance, remove_budget, replacementFalse) selected_pts_mask[sampled_indices] True # 同時滿足傳統(tǒng) prune 多視角失敗優(yōu)先的點才真正刪除 # 傳統(tǒng)prune(prune_mask),selected_pts_mask多視角失敗優(yōu)先的點 final_prune torch.logical_and(prune_mask, selected_pts_mask) self.prune_points(final_prune) # # 7. 重置不透明度 opacity穩(wěn)定訓(xùn)練防止“單個高斯遮天蔽日” # # 將 opacity 上限截斷到 0.8防止個別高斯過度遮擋 # inverse_sigmoid從真實空間映射回優(yōu)化參數(shù)空間 opacities_new inverse_sigmoid(torch.min(self.get_opacity, torch.ones_like(self.get_opacity)*0.8)) # 用新的 opacity tensor 替換優(yōu)化器中的參數(shù)并重置動量 optimizable_tensors self.replace_tensor_to_optimizer(opacities_new, opacity) self._opacity optimizable_tensors[opacity] # 清理臨時變量 tmp_radii self.tmp_radii self.tmp_radii None # 釋放 CUDA 緩存避免顯存碎片化 torch.cuda.empty_cache()4.1 第一層沿用 3DGS 的梯度篩選在正式引入多視角一致性機制之前FastGS并沒有推翻 3DGS 原有的 densify 邏輯而是選擇在其基礎(chǔ)上進行增強。具體來說FastGS 仍然保留了 3DGS 中以梯度為核心的結(jié)構(gòu)優(yōu)化思想主要體現(xiàn)在兩個方面基于位置梯度篩選 densify 候選基于 Gaussian 尺度區(qū)分 clone / split 行為基于位置梯度的候選篩選在訓(xùn)練過程中3DGS 會持續(xù)累積每個 Gaussian 在三維空間位置上的梯度若某個 Gaussian 的位置梯度較大→ 說明當(dāng)前區(qū)域?qū)χ亟ㄕ`差高度敏感→ 該位置可能需要更高的表示精度FastGS 同樣采用這一準(zhǔn)則首先通過位置梯度閾值篩選出一批“確實有必要被細化”的 Gaussian 候選。基于尺度的 clone / split 區(qū)分在通過梯度篩選之后FastGS 繼續(xù)沿用 3DGS 的尺度判定規(guī)則尺度較小的 Gaussian→ 通過clone復(fù)制進行 densify尺度較大的 Gaussian→ 通過split分裂生成多個更小的 Gaussian這一規(guī)則保證了 densify 行為在幾何意義上的合理性避免盲目復(fù)制或分裂。強調(diào)一點FastGS 并不是對 3DGS 的“推倒重來”而是在保留其梯度驅(qū)動結(jié)構(gòu)優(yōu)化合理性的前提下引入新的判據(jù)進行約束和修正。4.2 VCD多視圖一致 densifyFastGS 的核心改進在完成基于梯度與尺度的初步篩選之后FastGS 引入了其最關(guān)鍵的改進之一VCDView-consistent Densification多視圖一致 densify。其核心判據(jù)可以概括為一行代碼metric_mask importance_score threshold邏輯只有在多個視角下反復(fù)失敗的 Gaussian才允許 densify對比 3DGS3DGS單視角梯度大 → densifyFastGS梯度大 多視角一致失敗→ densify4.3 VCP多視圖一致 pruneFastGS 核心VCPView-consistent Pruning的目標(biāo)是在不破壞畫質(zhì)穩(wěn)定性的前提下更穩(wěn)、更準(zhǔn)地刪掉“多視角下持續(xù)表現(xiàn)不佳”的 Gaussian。整體可以分三步理解Step 1構(gòu)造傳統(tǒng)prune_maskopacity / 尺度FastGS 首先沿用 3DGS 的經(jīng)典剪枝邏輯得到一批“允許被刪”的候選集合opacity 很低幾乎不貢獻顏色/透明度屏幕空間半徑過大渲染開銷大/異常世界空間尺度過大可能是異常高斯可以理解為prune_mask先圈定一個“物理層面可疑”的大集合這一步不看多視角一致性。Step 2引入pruning_score多視角一致失敗程度接下來FastGS 使用compute_gaussian_score_fastgs得到的pruning_scorepruning_score越大→ 表示該 Gaussian 在多個視角中持續(xù)參與高誤差區(qū)域→ 且這些視角的整體重建質(zhì)量較差→ 屬于“多視角一致失敗”的高斯為了便于“保留/刪除”的語義轉(zhuǎn)換代碼中常寫scores 1 - pruning_score一句總結(jié)FastGS 并非“直接刪pruning_score最大的點”而是通過帶權(quán)隨機采樣實現(xiàn)穩(wěn)定、漸進的結(jié)構(gòu)收縮。4.4remove_budget的作用穩(wěn)定性設(shè)計在 FastGS 的 VCP 設(shè)計中remove_budget是一個非常關(guān)鍵、但容易被忽略的穩(wěn)定性機制因此值得單獨拿出來說明。為什么不一次刪完如果在某一輪迭代中將所有滿足 prune 條件的 Gaussian 一次性刪除很容易導(dǎo)致場景結(jié)構(gòu)突然發(fā)生劇烈變化局部區(qū)域高斯密度驟降重建質(zhì)量瞬間下降甚至訓(xùn)練發(fā)散這種現(xiàn)象可以理解為結(jié)構(gòu)震蕩structural oscillation。remove_budget的作用remove_budget的核心思想是“寧可慢一點刪也不要一次刪太多。”它的具體作用包括限制單次 prune 的數(shù)量只刪除“可刪集合”的一部分例如一半讓結(jié)構(gòu)調(diào)整更加平滑給后續(xù) densify / 優(yōu)化留出修正空間提升整體訓(xùn)練穩(wěn)定性防止因結(jié)構(gòu)驟變導(dǎo)致的畫質(zhì)抖動一個重要結(jié)論這種**“帶預(yù)算的漸進 prune”策略**已在多種3DGS 加速 / 稀疏化工作中被證明更穩(wěn)定、更可靠FastGS 在此基礎(chǔ)上結(jié)合了多視角一致性使其效果進一步增強。五、FastGS vs 3DGS從 VCD / VCP 角度的本質(zhì)區(qū)別總結(jié)從 VCDView-consistent Densification和 VCPView-consistent Pruning的角度來看FastGS 并不是簡單的工程加速而是對 3DGS 結(jié)構(gòu)優(yōu)化邏輯的一次系統(tǒng)性升級。5.1 Densify 機制對比3DGS單視角驅(qū)動基于局部梯度大小容易受到偶然視角誤差的影響FastGS多視角一致性驅(qū)動VCD梯度大且多視角一致失敗更精準(zhǔn)地 densify“真正有問題”的區(qū)域5.2 Prune 機制對比3DGS基于硬閾值opacity / 尺度刪除策略相對激進易產(chǎn)生結(jié)構(gòu)震蕩FastGS多視角一致性 pruneVCP結(jié)合多視角失敗評分帶權(quán)概率采樣刪除預(yù)算控制刪除過程更穩(wěn)、更漸進5.3 訓(xùn)練行為差異綜合來看FastGS 在訓(xùn)練過程中表現(xiàn)出明顯不同的行為特征高斯數(shù)量增長更慢訓(xùn)練時間顯著降低重建質(zhì)量保持甚至在部分場景中提升從 VCD / VCP 的角度看FastGS 的核心優(yōu)勢在于用多視角一致性換取更少的高斯、更穩(wěn)定的訓(xùn)練、更高的效率。六、心得先進行VCD多視圖一致的致密化再進行VCP多視圖一致的剪枝兩者是先后順序而不是if else的并行關(guān)系。且VCP 一般很少刪除 VCD 新增的點了解到如果大量刪除 VCD 新增的點可能是代碼出了問題。在傳統(tǒng) densify 候選的基礎(chǔ)上all_clones再加一層多視角一致性過濾metric_mask# 在傳統(tǒng) densify 候選的基礎(chǔ)上all_clones再加一層多視角一致性過濾metric_mask # 實際 clone 的 mask metric_mask all_clones self.densify_and_clone_fastgs(metric_mask, all_clones) # 實際 split 的 mask metric_mask all_splits self.densify_and_split_fastgs(metric_mask, all_splits)同時滿足傳統(tǒng) prune 多視角失敗優(yōu)先的點才真正刪除final_prune torch.logical_and(prune_mask, selected_pts_mask) self.prune_points(final_prune)