之前博客对SplaTAM进行了配置，并对其源码进行解读。
学习笔记之——3D Gaussian SLAM，SplaTAM配置（Linux）与源码解读-CSDN博客SplaTAM全称是《SplaTAM: Splat, Track & Map 3D Gaussians for Dense RGB-D SLAM》，是第一个（也是目前唯一一个）开源的用3D Gaussian Splatting（3DGS）来做SLAM的工作。在下面博客中，已经对3DGS进行了调研与学习。其中也包含了SplaTAM算法的基本介绍。学习笔记之——3D Gaussian Splatting及其在SLAM与自动驾驶上的应用调研-CSDN博客。https://blog.csdn.net/gwplovekimi/article/details/135647242?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22135647242%22%2C%22source%22%3A%22gwplovekimi%22%7D在原博客中也对TUM-RGBD数据集的freiburg1_desk_seed0进行了测试，感觉效果一般般，为此本博文打算对下载的TUM几个序列都进行测试看看效果。
本博文为本人实验测试SplaTAM过程的实验记录，本博文仅供本人实验记录用~
目录
运行过程
rgbd_dataset_freiburg1_desk
rgbd_dataset_freiburg1_desk2
rgbd_dataset_freiburg1_room
rgbd_dataset_freiburg2_xyz
rgbd_dataset_freiburg3_long_office_household
总结与分析
运行过程
注意：要修改configs/tum/splatam.py中的scene_name来决定训练哪个序列
(之前的desk训练时间大概30分钟左右，还是打开一下tmux吧)
tmux new -s desk2
tmux new -s room
tmux new -s xyz
tmux new -s household
(开启运行的环境)
conda activate splatam
（开始测试运行）
python scripts/splatam.py configs/tum/splatam.py运行后，可以看到experiments文件如下：
忘记指定GPU了，都挤到一块板子上跑了
等待一段时间，下面看看再各个序列的测试效果
要训练完才可以可视化建图与定位的效果（注意跟训练一样要修改对应的config文件来选用序列，seed统一都为0）
（最终的建图效果）
python viz_scripts/final_recon.py configs/tum/splatam.py
（训练过程的可视化）
python viz_scripts/online_recon.py configs/tum/splatam.pyrgbd_dataset_freiburg1_desk
SplaTAM Testing using TUM-Dataset freiburg1
SplaTAM Testing using TUM-Dataset freiburg1
训练完结果如下：PSNR只有21.49算是比较差的吧，当然deth恢复的精度是3.38cm以及定位精度是3.34（论文里面是3.35）这个结果还是不错的。细看论文会发现，论文里面对于TUM数据集好像只用来验证定位精度，而mapping性能都是采用Replica与ScanNet++。目前不打算花太多时间去逐一验证了，有小伙伴验证了的话可以给个评论看看是否如论文的效果，因为在tum数据集上，个人感觉mapping效果一般般~
rgbd_dataset_freiburg1_desk2
结果如下：
这个效果比上面的要更差一些，可以发现各个性能指标都差一些（此处定位精度是是6.58cm，论文是6.54cm）。
可视化训练效果如下所示：
SplaTAM Testing using TUM-Dataset freiburg1
可视化最终重建效果如下所示：
rgbd_dataset_freiburg1_room
结果如下（此处定位精度是11.49cm，论文结果是11.13cm）
可视化训练效果如下所示：
SplaTAM Testing using TUM-Dataset freiburg1
可视化最终重建效果如下所示：
rgbd_dataset_freiburg2_xyz
结果如下图所示（论文给的结果是1.24cm这里跑出的结果是1.33cm）
这里的psnr还是比较高的，但是看下面视频效果却是很一般，感觉一开始的恢复效果是不如上面几个视频的
可视化训练效果如下所示：
可视化最终重建效果如下所示：
rgbd_dataset_freiburg3_long_office_household
总结与分析
综合下来，几个数据集下的表现，tracking的结果跟论文给出的差不多，而mapping的psnr都比较差（论文验证psnr性能指标是用其他几个数据集），而depth的恢复精度（L1）都是3~4cm这个结果还是比较好的（不过毕竟用了RGBD~），
后面有时间再试试用手机实测来看看吧，不过目前看来用数据集测试的效果都比较差，实时性也很一般，比如rgbd_dataset_freiburg1_desk序列都训练30多分钟了，PSNR还只有21左右，应该3DGS性能不至于这样，可能是因为一些参数的设置包括剪枝等等的操作吧~感觉还是有比较大可以研究的空间~
关于可视化软件，用的是open3D（Open3D – A Modern Library for 3D Data Processing），它的快捷键定义如下
