ngp_pl下載ngp_pl源代碼下載

下載

ngp_pl

在pytorch+CUDA中進行的Instant-NGP（僅NERF）接受了pytorch-lightning訓練（高質量的高質量）。該倉庫旨在提供簡潔的pytorch界面來促進未來的研究，如果您可以分享它，請感謝（並高度讚賞引用）！

gui.mp4

其他代表視頻在Gallery.md中

由於對其他庫的依賴性，如果您由於硬件/軟件不匹配而遇到安裝問題，此實現的要求很嚴格，恐怕您無意支持不同的平台（歡迎您貢獻）。

git clone https://github.com/kwea123/ngp_pl克隆此倉庫
Python> = 3.8（建議通過Anaconda安裝，使用conda create -n ngp_pl python=3.8創建Conda環境並通過conda activate ngp_pl激活它）
Python圖書館
- 安裝pytorch by pip install torch==1.11.0 --extra-index-url https://download.pytorch.org/whl/cu113
- 按照他們的指示安裝torch-scatter
- 按照其說明安裝tinycudann （Pytorch擴展）
- 按照他們的指示安裝apex
- 按pip install -r requirements.txt安裝核心需求.txt
CUDA擴展名：將pip升級到> = 22.1並運行pip install models/csrc/ （每次pull代碼時，請運行此）

從NSVF下載預處理數據集（ Synthetic_NeRF ， Synthetic_NSVF ， BlendedMVS ， TanksAndTemples ）。不要更改文件夾名稱，因為我的數據加載程序中有一些硬編碼的修復程序。

從這裡下載數據。

對於自定義數據，運行colmap並獲取一個文件夾sparse/0 ，其中有cameras.bin ， images.bin和points3D.bin 。還支持以下COLMAP格式的數據：

從這裡下載數據。為了將HDR圖像轉換為訓練的LDR圖像，運行python misc/prepare_rtmv.py <path/to/RTMV> ，它將在每個場景文件夾下創建images/文件夾，並將使用這些圖像進行訓練（和測試）。

QuickStart： python train.py --root_dir <path/to/lego> --exp_name Lego

它將訓練LEGO場景30k步驟（每個步驟有8192射線），並在末尾進行一次測試。訓練過程應在大約5分鐘內完成（保存測試圖像慢，添加--no_save_test禁用）。測試PSNR將在最後顯示。

可以在opt.py中找到更多選項。

有關其他公共數據集培訓，請參考benchmarking下的腳本。

使用test.ipynb生成圖像。樂高預算模型在這裡可用

GUI用法：運行python show_gui.py然後是訓練中使用的相同的超參數（ dataset_name ， root_dir等），並添加檢查點路徑添加--ckpt_path <path/to/.ckpt>

我比較了質量（ Synthetic-NeRF上的平均測試PSNR）和推理速度（在Lego場景上）與並發工作火炬-NGP（默認設置）和紙張，所有這些都經過了大約5分鐘的訓練：

方法	AVG PSNR	FPS	GPU
TORCH-NGP	31.46	18.2	2080 TI
礦	32.96	36.2	2080 TI
Instant-NGP紙	33.18	60	3090

至於質量，我的礦山比Torch-NGP略好，但是結果可能會在不同的跑步中波動。

至於速度，我的速度比Torch-NGP快，但仍然是Instant-NGP的一半。速度取決於場景（如果大多數場景是空的，速度將更快）。

^{左：Torch-NGP。對：我的。}

要運行基準測試，請使用benchmarking下的腳本。

以下是我使用1 RTX 2080 Ti訓練的結果（在此處定性結果）：

合成-nerf

合成-NSVF

	葡萄酒持有人	Steamtrain	蟾蜍	機器人	自行車	宮殿	飛船	生活方式	avg
psnr	31.64	36.47	35.57	37.10	37.87	37.41	35.58	34.76	35.80
SSIM	0.962	0.987	0.980	0.994	0.990	0.977	0.980	0.967	0.980
LPIP	0.047	0.023	0.024	0.010	0.015	0.021	0.029	0.044	0.027
FPS	47.07	75.17	50.42	64.87	66.88	28.62	35.55	22.84	48.93
訓練時間	3M58	3M44	7m22s	3M25	3M11S	6m45s	3M25	4M56	4M36S