nerfstudio介绍及在windows上的配置、使用

      nerfstudio提供了一个简单的API，可以简化创建、训练和可视化NeRF的端到端过程。该库通过模块化每个组件来支持可解释的NeRF实现。nerfstudio源码地址: https://github.com/nerfstudio-project/nerfstudio , 通过模块化集成了多个NeRF扩展的实现，持续更新，带界面，license为Apache-2.0。

      目前已支持的方法：
      (1).Nerfacto: facto NeRF，将专注于质量的模块和专注于更快渲染的模块相结合；
      (2).NeRF:《Representing Scenes as Neural Radiance Fields for View Synthesis》;
      (3).Instant NGP:《Instant Neural Graphics Primitives with a Multiresolution Hash Encoding》；
      (4).Mipnerf: 《A Multiscale Representation for Anti-Aliasing Neural Radiance Fields》；
      (5).NerfW: 《Neural Radiance Fields for Unconstrained Photo Collections》；
      (6).Semantic NeRF: 《In-Place Scene Labelling and Understanding with Implicit Scene Representation》.

      nerfstudio在windows上的配置：
      1.安装vs2019 + cuda 11.6;
      2.通过conda创建虚拟环境nerfstudio,依次执行如下命令：

conda create --name nerfstudio -y python=3.8
conda activate nerfstudio
python -m pip install --upgrade pip

      3.安装依赖：
      (1).pytorch 1.13.1, 执行如下命令：

pip install torch==1.13.1+cu116 torchvision==0.14.1+cu116 -f https://download.pytorch.org/whl/torch_stable.html

      (2).tinycudann, 执行如下命令：

pip install ninja git+https://github.com/NVlabs/tiny-cuda-nn/#subdirectory=bindings/torch

      4.安装nerfstudio，依次执行如下命令:

git clone git@github.com:nerfstudio-project/nerfstudio.git
cd nerfstudio
pip install --upgrade pip setuptools
pip install -e .

      5.安装ffmpeg, 执行如下命令：

conda install -c conda-forge ffmpeg

      6.安装colmap, 执行如下命令：

conda install -c conda-forge colmap
conda install -c conda-forge mpir

      7.安装hloc,依次执行如下命令: 可选，windwos上不支持pycolmap

cd ..
git clone --recursive https://github.com/cvg/Hierarchical-Localization/
cd Hierarchical-Localization/
pip install pycolmap # windows不支持
python -m pip install -e .

      使用：

      1.从https://data.nerf.studio/nerfstudio/ 下载person测试集，解压缩，并将其拷贝到nerfstudio的data/nerfstudio目录下，data/nerfstudio需自己创建;

      2.person目录下已有transforms.json,若是自己拍摄的图像序列如lego，则执行如下命令生成transforms.json：

ns-process-data images --data data/nerfstudio/lego/train --output-dir data/nerfstudio/lego --camera-type perspective --matching-method exhaustive --sfm-tool colmap --crop-factor 0.0 0.0 0.0 0.0

      3.执行如下命令进行训练：迭代产生的checkpoint存储在outputs/person/nerfacto目录下

ns-train nerfacto --data data/nerfstudio/person --vis viewer --max-num-iterations 50000

      训练进度如下图所示：

      也可打开web实时预览: https://viewer.nerf.studio/versions/23-04-10-0/?websocket_url=ws://localhost:7007 ,如下图所示: 

      可以加载预训练模型，如下命令所示：这将自动开始继续训练 

ns-train nerfacto --data data/nerfstudio/person --load-dir outputs/person/nerfacto/2023-04-22_171607/nerfstudio_models

      可以加载预训练模型进行可视化查看：

ns-viewer --load-config outputs/person/nerfacto/2023-04-22_171607/config.yml

      每个命令都有很多参数，可以通过--help查看具体支持哪些参数及参数的用处，如：

ns-render --help
ns-train --help
ns-train nerfacto --help

      可将结果导出：

      (1).导出渲染视频；
      (2).导出点云；
      (3).导出mesh.

      支持的自定义数据集类型：https://docs.nerf.studio/en/latest/quickstart/custom_dataset.html
      ns-process-data各参数说明：https://docs.nerf.studio/en/latest/reference/cli/ns_process_data.html
      官方提供的数据集：https://data.nerf.studio/nerfstudio/