3d高斯渲染社交平台产品系统

在市场中存在空白，本科阶段的平台实验任务，社交平台中缺少三位要素，故在实验室中进行研究

数据预处理、场景重建训练、实时光栅化渲染、交互式查看、模型导出、调优扩展全链路功能。
一、数据预处理与输入适配模块
1. 多数据源自动解析
COLMAP SfM 相机 / 点云导入：支持标准 colmap 稀疏重建结果（images、sparse 文件夹），自动读取内参、外参、初始稀疏点云作为高斯初始化种子，是实景照片重建标准流水线。
NeRF 合成数据集兼容：LLFF、Blender、Tanks&Temples 等标准 NeRF 数据集一键加载，适配科研测试。
自定义图像序列：支持普通照片文件夹，可外接 COLMAP 自动批量做相机标定。
2. 图像预处理工具
图像缩放、色彩抖动、随机裁剪数据增强，解决少量照片重建模糊问题；
畸变校正：适配针孔相机，衍生分支可扩展鱼眼、卷帘快门相机；
自动过滤模糊、曝光异常图片，降低训练噪声。
二、核心 3D 场景重建训练功能（最核心能力）
项目基于可微 CUDA 光栅化，用一组三维椭球高斯分布表征整个场景，迭代优化几何、色彩、透明度，分三阶段精细化训练：
1. 三阶分层优化训练流水线
粗重建阶段（0~5k 迭代）：高学习率快速搭建场景主体结构，快速生成基础高斯点；
精细优化（5k~20k 迭代）：开启密度控制 / 分裂 / 克隆 / 修剪核心机制：
分裂：画面模糊区域高斯拆分为更小高斯，提升细节；
克隆：高梯度区域复制高斯点填充孔洞；
修剪：删除透明度极低、无贡献冗余高斯，控制模型体积；
最终微调（20k~30k 迭代）：低学习率仅微调颜色、视角相关着色，锁定几何结构。
2. 多正则约束（提升泛化、减少过拟合）
位置正则：约束高斯不无限扩散，场景结构紧凑；
透明度正则：强制稀疏表示，减少浮点冗余点；
颜色损失 + LPIPS 感知损失：兼顾像素误差与人眼视觉真实度。
3. 硬件与训练效率特性
纯 CUDA 光栅化内核，消费级 RTX30

环境搭建：配置 CUDA、PyTorch，编译项目 CUDA 渲染内核与可视化查看器。
数据准备：拍摄场景照片，用 COLMAP 求解相机位姿、生成稀疏点云。
模型训练：运行训练脚本，自动完成高斯点分裂、修剪优化，输出 ply 三维模型。
交互查看：打开 SIBR 查看器自由漫游场景，查看深度、高斯椭球等调试视图。
导出与优化：轻量化模型，导出效果图并计算 PSNR 等重建指标，解决噪点、显存不足等问题。
拓展落地：模型转网页格式，实现浏览器实时三维漫游展示。