准备好一个稀疏重建的目录（如Colmap的sparse文件），高斯泼溅需要稀疏重建的点云结果来作为输入，进行进一步训练和渲染。

可以参考：gaussian-splatting原理

---

有一点需要注意：Gaussian_Splatting 需要稀疏重建的相机模式为：PINHOLE，如果为其他，需要在稀疏重建后对图像进行 convert：这里 Gaussian_Splatting 源码里面也提供了转变的python脚本：convert.py

源码链接：（github上其实也有说明）

需要准备成如上图一样的文件目录格式，这里不要在location的位置中存在images文件目录和sparse文件目录，因为进行convert后，会生成。（0中存放的是相继参数，三个bin文件）

也可以看看convert.py的参数，根据需要进行取舍

命令行输入：

这里我跳过了匹配过程，因为我有进行过匹配了（24-1 目录下存放着distorted和input，还有未来的images和sparse）

python convert.py -s ./datas/24-1/ --skip_matching

convert执行完毕：

选中的文件夹是我运行命令之前存在的，会生成如下几个新的文件，convert完毕（24-1文件夹内容）

---

然后，目录好了之后，就直接是这三步：

-s 后面跟 24-1（项目文件路径）

-m 是输出目录，train的时候最好指定，它会自动生成目录，后面render和metrics过程都用train的-m输出目录即可

---

还有就是 gaussian_splatting的sibr，能编译好的可以编译，windows 中有提供了预编译的文件直接下载使用即可，这个sibr训练后就可以查看高斯泼溅的结果，算法所有过程的输出结果很抽象，最好还是用sibr查看，特别好用，但是编译过程还是比较麻烦，有时间我会更新以下：（这段内容都在高斯splatting的github里）