1. 项目背景与核心目标

最近在复现3D Gaussian Splatting（3DGS）相关论文时，发现现有评测体系存在两个明显痛点：一是缺乏标准化的性能指标对比方法，二是缺少直观的高斯数量变化可视化方案。这直接影响到算法优化效果的量化评估。

针对这些问题，我设计了一套完整的评测方案，重点解决以下四个核心指标：

• Training Time（训练耗时）
• FPS（渲染帧率）
• Gaussian Number（高斯点数量）
• Peak Memory（峰值显存占用）

这套方法不仅能用于论文复现时的性能对比，还能帮助开发者快速定位算法瓶颈。下面分享具体实现细节和踩坑经验。

2. 评测环境搭建

2.1 硬件配置建议

• GPU：RTX 3090/4090（24GB显存起步）
• CPU：Intel i7-12700K或同级AMD处理器
• 内存：32GB DDR4以上
• 存储：NVMe SSD（建议读取速度>3GB/s）

注意：显存容量直接影响可处理的最大场景规模，实测Cityscapes数据集在RTX 3090上需要18-20GB显存

2.2 软件依赖安装

# 基础环境 conda create -n 3dgs python=3.8 conda install -c conda-forge cudatoolkit=11.3 # 主要依赖库 pip install torch==1.12.1+cu113 --extra-index-url https://download.pytorch.org/whl/cu113 pip install open3d matplotlib scipy

2.3 数据准备技巧

建议从以下渠道获取测试数据集：

1. Tanks and Temples（标准测试集）
2. 自采RGB-D序列（建议分辨率1920x1080）
3. Blender合成数据（可控性强）

文件组织结构示例：

dataset/ ├── scene1/ │ ├── images/ # 原始图像 │ ├── sparse/ # COLMAP输出 │ └── renders/ # 渲染结果

3. 核心指标测量方法

3.1 Training Time精确测量

推荐使用Python上下文管理器实现自动化计时：

import time class Timer: def __enter__(self): self.start = time.perf_counter() return self def __exit__(self, *args): self.end = time.perf_counter() self.duration = self.end - self.start # 使用示例 with Timer() as t: train_model() print(f"Training took {t.duration:.2f} seconds")

3.2 FPS测试方案

渲染帧率测试需注意：

1. 固定视角路径（建议使用球面坐标采样）
2. 预热迭代（前100帧不计入统计）
3. 多线程采集（避免I/O阻塞）

实测代码片段：

fps_samples = [] for _ in range(500): start = time.time() render_frame() fps_samples.append(1/(time.time()-start)) print(f"Average FPS: {np.median(fps_samples):.1f}")

3.3 高斯数量监控

在训练循环中插入统计代码：

def log_gaussian_count(iteration): with torch.no_grad(): count = len(gaussians) if iteration % 100 == 0: print(f"Iter {iteration}: {count} gaussians") save_to_csv(iteration, count) # 保存到文件

4. 数据可视化实现

4.1 变化曲线绘制

使用Matplotlib生成专业图表：

import matplotlib.pyplot as plt def plot_metrics(csv_path): data = pd.read_csv(csv_path) fig, ax1 = plt.subplots(figsize=(10,6)) ax1.plot(data['iter'], data['gaussians'], 'b-') ax1.set_xlabel('Iteration') ax1.set_ylabel('Gaussian Count', color='b') ax2 = ax1.twinx() ax2.plot(data['iter'], data['psnr'], 'r-') ax2.set_ylabel('PSNR', color='r') plt.title('Training Dynamics') plt.savefig('metrics.png', dpi=300)

4.2 内存监控技巧

NVIDIA-SMI实时记录：

nvidia-smi --query-gpu=memory.used --format=csv -l 1 > mem.log

Python解析示例：

mem_data = [] with open('mem.log') as f: for line in f.readlines()[1:]: mem_data.append(int(line.split()[0])) peak_mem = max(mem_data)

5. 典型问题排查

5.1 训练不收敛

可能原因：

1. 初始点云质量差（检查COLMAP重建）
2. 学习率设置不当（建议初始lr=0.001）
3. 梯度爆炸（添加梯度裁剪）

5.2 渲染闪烁

解决方案：

1. 增加高斯密度约束权重
2. 调整sh_degree（建议从3开始）
3. 检查相机参数校准

5.3 显存溢出

优化策略：

1. 降低初始点云数量
2. 使用--densify_until_iter参数控制
3. 启用--reduce_gpu_mem选项

6. 进阶优化方向

6.1 并行化训练

通过DDP实现多卡训练：

import torch.distributed as dist def setup(rank, world_size): dist.init_process_group("nccl", rank=rank, world_size=world_size) torch.cuda.set_device(rank)

6.2 量化压缩

FP16混合精度训练：

scaler = torch.cuda.amp.GradScaler() with torch.cuda.amp.autocast(): outputs = model(inputs) loss = criterion(outputs) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update()

6.3 自适应控制

动态调整高斯密度：

if iteration % 100 == 0: prune_threshold = calc_adaptive_threshold() prune_gaussians(prune_threshold)

这套评测方案已在多个项目验证，最关键的收获是：一定要建立基线参照（如原始论文数据），不同硬件平台的结果差异可能高达30%。建议在相同环境下测试所有对比算法，并保存完整的日志文件备查。