第十章：成为贡献者——如何迭代改进系统

读懂代码只是起点。本章讲如何在3DGS基础上做出真正的贡献。

---

10.1 建立可复现的实验基线

可复现性是一切的前提

在改进任何系统之前，首先要有一个可靠、可复现的基线（Baseline）。听起来简单，但实践中大量时间都浪费在"我不确定这次结果变好了是因为我的改动还是随机性"。

建立基线的工程规范：

project/
├── configs/
│   ├── base_config.yaml    # 所有实验共享的默认参数
│   └── exp_001_lr_tuning.yaml  # 实验特定的参数覆盖
├── runs/
│   ├── baseline_garden_20240601/  # 每次运行用日期+描述命名
│   └── exp_001_garden_20240605/
├── results/
│   └── comparison_table.csv    # 所有实验结果汇总
└── scripts/
    └── run_baseline.sh

使用 Hydra 管理配置：

# base_config.yaml
model:
  sh_degree: 3
  iterations: 30000
training:
  densify_grad_threshold: 0.0002
  lambda_dssim: 0.2
dataset:
  path: data/garden
  resolution: 1

版本控制原则：

1. 每个实验前打一个 git tag（git tag exp_001_lr_tuning）

2. 实验配置文件进 git

3. 实验结果不进 git（用 DVC 或 Wandb 管理大文件）

4. commit message 写清楚"什么改动、为什么改、预期效果"

统一随机种子：

import random, numpy as np, torch
def seed_everything(seed=42):
    random.seed(seed)
    np.random.seed(seed)
    torch.manual_seed(seed)
    torch.cuda.manual_seed_all(seed)

思考题：两次使用相同参数训练同一场景，PSNR 相差 0.3 dB。这个差异是"随机性"还是"真实差异"？如何设计实验来区分？（提示：多次运行取平均，计算标准差）

---

10.2 定位性能瓶颈

CUDA Profiling

在修改代码之前，先测量，不要猜测瓶颈在哪里。

Nsight Systems（NVIDIA，最全面）：

# 记录 CUDA 时间线
nsys profile -o profile_output python train.py -s data/garden --iterations 100

# 用图形界面分析
nsys-ui profile_output.nsys-rep

PyTorch Profiler（集成方便）：

from torch.profiler import profile, ProfilerActivity, tensorboard_trace_handler

with profile(
    activities=[ProfilerActivity.CPU, ProfilerActivity.CUDA],
    on_trace_ready=tensorboard_trace_handler('./log/profiler'),
    record_shapes=True,
    with_stack=True
) as prof:
    # 运行几步训练
    for i in range(10):
        train_one_step()

print(prof.key_averages().table(sort_by="cuda_time_total", row_limit=20))

典型3DGS各阶段时间占比（30k迭代，室内场景）：

阶段	时间占比
前向渲染（CUDA光栅化）	~45%
反向传播	~40%
ADC（排序+剪枝）	~5%
数据加载	~5%
其他	~5%

前向+反向占85%，是性能优化的主战场。

内存带宽 vs 计算瓶颈

现代GPU的计算能力（TFLOPS）通常远大于内存带宽（GB/s）。判断瓶颈类型：

• 计算瓶颈（Compute-bound）：GPU利用率高（>90%），修改算法减少浮点操作

• 内存带宽瓶颈（Memory-bound）：GPU利用率低，大量时间在等数据。解决方案：提高数据局部性（共享内存）、减少全局内存访问

3DGS 的排序（Radix Sort）是典型的内存带宽瓶颈；光栅化核心（Alpha合成）接近计算瓶颈。

思考题：gsplat 相比官方实现在内存占用上减少了约30%。查阅 gsplat 的 release notes，找出主要的内存优化是在哪里实现的？

---

10.3 修改高斯基元的正确姿势

添加新属性

假设你要给每个高斯添加一个语义标签（整数类别ID），步骤如下：

1. 在 GaussianModel 中添加参数：

# scene/gaussian_model.py

class GaussianModel:
    def __init__(self, sh_degree):
        # ... 原有参数 ...
        self._semantic_label = torch.empty(0)  # 新增语义标签

    def create_from_pcd(self, pcd, spatial_lr_scale):
        # ... 原有初始化 ...
        # 初始化为0（未知类别）
        self._semantic_label = torch.zeros(
            (fused_point_cloud.shape[0],), dtype=torch.long
        ).to(device)

    @property
    def get_semantic_label(self):
        return self._semantic_label

2. 在 PLY 保存/加载中添加对应字段：

def save_ply(self, path):
    # 原有字段保存 ...
    semantic = self._semantic_label.cpu().numpy().astype(np.uint8)
    # 加入到 elements 列表

3. 如果需要可微，加入 optimizer：

def training_setup(self, training_args):
    l = [
        # ... 原有参数组 ...
        {'params': [self._semantic_label], 'lr': 0.001, "name": "semantic"}
    ]
    self.optimizer = torch.optim.Adam(l, lr=0.0)

修改梯度流

如果要修改反向传播中梯度的计算方式（比如加入梯度裁剪或自定义梯度），需要了解3DGS梯度流的关键路径：

渲染损失 L
  └─→ 渲染图像 I_hat
       └─→ CUDA光栅化器（前向/反向）
            └─→ 各高斯的 2D 贡献（μ', Σ', α, c）
                 └─→ 球谐系数 f（颜色梯度）
                 └─→ 不透明度 o（不透明度梯度）
                 └─→ 协方差 Σ（形状梯度）
                      └─→ 旋转 q 和缩放 s
                 └─→ 位置 μ（位置梯度）

CUDA 扩展的修改： 如需修改光栅化本身（如加入深度平滑正则化），需要修改 backward.cu，这需要 CUDA 编程基础。推荐先阅读 gsplat 的实现（代码更清晰），再参考修改。

思考题：你想给高斯添加"法线向量"属性，并在训练中加入法线一致性损失。法线向量的梯度会影响哪些参数？需要修改 backward.cu 吗？

---

10.4 替代库：gsplat 与 nerfstudio

gsplat：高性能 3DGS 后端

gsplat 是 Nerfstudio 团队开发的3DGS后端，已成为社区最广泛使用的替代实现。

优势：

• 内存效率：比官方实现低约30%内存占用

• API清晰：Python优先，更易于自定义扩展

• 活跃维护：修复官方实现的已知bug

• 支持非标准相机：鱼眼、全景相机

# gsplat 的核心 API
from gsplat import rasterization

renders, alphas, info = rasterization(
    means=means3D,
    quats=rotations,
    scales=scales,
    opacities=opacities,
    colors=colors,
    viewmats=viewmats,
    Ks=intrinsics,
    width=W, height=H,
    render_mode="RGB+D",  # 同时渲染颜色和深度
)

nerfstudio：模块化训练框架

nerfstudio 提供了一套完整的NeRF/3DGS训练框架，内置 Splatfacto（3DGS实现）。

优势：统一的实验管理、内置可视化、配置系统完善。

# 安装 nerfstudio
pip install nerfstudio

# 用 Splatfacto（3DGS）训练
ns-train splatfacto --data data/garden/

# 实时可视化
ns-viewer --load-config outputs/.../config.yml

Gaussian Opacity Fields（GOF）

GOF 用不透明度场替代显式alpha，允许从高斯场中提取精确的等值面（网格）。适合需要精确几何的任务。

# GOF 的核心思想：高斯贡献的不透明度场
def opacity_field(x, gaussians):
    contributions = []
    for g in gaussians:
        # 每个高斯的不透明度贡献
        d = x - g.mu
        contrib = g.alpha * exp(-0.5 * d.T @ inv(g.Sigma) @ d)
        contributions.append(contrib)
    return sum(contributions)  # 可用于Marching Cubes

3DGUT：通用非结构化相机

3DGUT（NVIDIA 2025，arXiv:2312.02121）扩展3DGS支持任意相机模型（鱼眼、全景、车载广角）。工业数据集（如自动驾驶）通常使用非标准相机，3DGUT是处理这类数据的重要工具。

思考题：nerfstudio 的 Splatfacto 和原版 gaussian-splatting 仓库在 PSNR 上有微小差异。查阅 nerfstudio 的文档，找出两者实现上的主要差异（初始化方式？损失函数？优化器设置？）

---

10.5 消融实验设计

消融实验（Ablation Study）是证明你的改进"真实有效"的核心手段。

控制变量原则

每次只改一个变量：

实验A：基准（原版3DGS）
实验B：加入你的改进X，其他一切不变
实验C：加入你的改进Y，其他一切不变  
实验D：同时加入X和Y

比较 A→B→C→D 的结果，才能分离每个改进的贡献。

指标选取

• 通用NVS指标：PSNR / SSIM / LPIPS（必须报告）

• 任务特定指标：几何任务加Chamfer Distance；SLAM任务加ATE（绝对轨迹误差）；分割任务加mIoU

• 效率指标：训练时间、渲染FPS、显存占用、模型大小

不要只报告最好的数字——应在多个数据集上测试，报告平均值和标准差。

统计显著性

3DGS训练有随机性（Adam的随机性、初始化随机性），同一配置多次运行结果会有波动。

建议： 至少运行3次，报告均值±标准差：

我们的方法在garden场景上PSNR为27.8±0.2 dB，
基准为27.4±0.2 dB，提升0.4 dB，t检验p<0.05，统计显著。

如果PSNR提升只有0.1 dB但方差是0.3 dB，提升就不显著。

思考题：你提出了一个改进X，在5个场景中，3个场景PSNR提升，2个场景下降。这个改进是"成功"的吗？如何在论文中诚实地报告这个结果？

---

10.6 开源与投稿建议

顶会截止日期（2024-2026年参考）

会议	论文截止（通常）	通知时间	举办时间
CVPR	11月	2月	6月
ICCV	3月	7月	10月（奇数年）
ECCV	3月	7月	10月（偶数年）
SIGGRAPH	1月	4月	8月
NeurIPS	5月	9月	12月
ICLR	10月	1月	5月

建议优先投 arXiv（不管是否投顶会），让社区尽早看到你的工作，收集反馈。

代码整洁度标准

开源代码是第二份"论文"，质量直接影响引用量：

✓ 有详细的 README（安装、数据集、训练、测试命令）
✓ 有 requirements.txt 或 environment.yaml
✓ 核心逻辑有简短注释（但不要过度注释）
✓ 提供预训练模型（供快速复现）
✓ 有 demo 脚本（5行代码跑通基本功能）
✗ 避免 hardcode 路径（用 argparse 或 config）
✗ 避免未使用的 import 和注释掉的代码

README 写法

好的 README 结构：

# 论文标题

[论文链接] [项目主页] [视频演示] [引用BibTeX]

## 效果展示（放最好的图）

## 安装

## 快速开始（3步跑通demo）

## 训练

## 评估

## 预训练模型下载

社区协作

• Issue：用户反馈的bug及时回复（<7天），是口碑的关键

• Pull Request：接受合理的改进PR，注明贡献者

• Discussion：参与3DGS相关的 Discord（如 3DGS Discord）和 Twitter 讨论

思考题：你的论文被顶会接收了，但代码还没准备好开源。应该在接收通知后多久内开源代码？不开源会有什么影响？

---

10.7 推荐学习资源汇总

论文阅读路径（建议顺序）

入门必读（按顺序）：

1. NeRF (2020) — 理解体渲染和可微渲染

2. Instant-NGP (2022) — 了解加速NeRF的思路

3. 3DGS (2023) — 核心论文，反复读

4. Scaffold-GS (2024) — 了解一种主流改进方向

5. 2DGS (2024) — 了解几何改进方向

进阶精读（按兴趣选择）：

• 压缩方向：LightGaussian、Mini-Splatting

• 动态场景：4D Gaussians、Deformable 3DGS

• 语义理解：Gaussian Grouping、Feature 3DGS

• 工业应用：HUGSIM、DrivingGaussian

精选课程

课程	平台	特点
Stanford CS231A	YouTube	相机几何权威教程
CMU 16-385	YouTube	完整计算机视觉
Fast.ai Practical Deep Learning	fast.ai	最实用的深度学习入门
Nerfstudio Workshop	YouTube	3DGS工程实践

活跃研究组（关注他们的论文）

研究组	机构	代表工作
INRIA GraphDeco	法国国家信息研究院	原版3DGS
Nerfstudio团队	UC Berkeley	gsplat, nerfstudio
汤晓鸥团队	商汤/CUHK	GaussianAvatars, SuGaR
Christian Theobalt团队	MPI	Relightable 3DGS
陈宝权团队	北京大学	VastGaussian, CityGaussian
Qianqian Wang	Cornell	4D Gaussians

中文社区

• 知乎专栏：搜索"3DGS"，有大量中文解读和入门教程

• B站：多个UP主有3DGS视频教程（原理+实操）

• 微信公众号：极市平台、CVer、3D视觉工坊

---

全书总结

恭喜你读完这本教程！回顾整个学习旅程：

你已经掌握的：

• 从照片到三维的基本原理（相机模型、SfM、COLMAP）

• 高斯函数、球谐函数的数学基础

• 体渲染、Alpha合成的理论推导

• 3DGS完整算法：参数定义→投影→光栅化→ADC→损失

• 代码结构、训练评估、常见报错排查

• 数据采集、训练调参、部署的完整实践流程

• 2023-2026年主流改进方向的系统认知

你现在能做的：

1. 用自己的数据训练高质量3DGS场景

2. 阅读并理解领域前沿论文

3. 在现有代码基础上添加新功能、设计消融实验

4. 参与社区讨论，贡献开源代码

3DGS领域还在快速发展，当你读到这里时，可能又有新的突破性工作出现了。带着本书建立的基础，你已经具备追踪前沿、参与贡献的能力。

学习3DGS最好的时机是三年前，其次是现在。动手吧！

---

本章小结

• 可复现基线：Hydra配置管理、git版本控制、统一随机种子

• Profiling：Nsight Systems + PyTorch Profiler，前向+反向占85%时间

• 修改高斯基元：GaussianModel添加属性、optimizer注册、PLY格式更新

• 工具生态：gsplat（高性能后端）、nerfstudio（完整框架）、3DGUT（非标准相机）

• 消融实验：控制变量、多指标、多次运行报统计显著性

• 开源：好README + 预训练模型 + 及时响应issue

---

推荐阅读

• The Missing Semester of Your CS Education（MIT）— 工程规范基础

• Goodfellow et al., "Deep Learning" — 第8章优化器，第9章正则化

• ML Reproducibility Checklist — 机器学习可复现性标准清单

---

上一章：第九章：主流改进方向与前沿论文（截至 2026 年中）