0. 動作環境

WSL2（Windows11内でUbuntu22.04環境を作成）
GPU: RTX 4070 (12GB)

1. 準備

3D Gaussian Splatting (3D-GS) のソースコードは公式実装含めていくつかあるが、今回はnerfstudio内に実装されているsplatfactoモデルを利用する。

CondaやPipで環境を作ることもできるが、今回はDockerを利用する。以下の手順に従ってインストールする。

Splatfactoはバージョン1.0.0から利用可能（この記事では最新の1.0.3を使用）

公式のDocker ImageをPullすれば、ソースコードをCloneしなくても学習コマンドを叩けるが、ソースコードを直接改変できるほうが便利なので、githubリポジトリ内のDockerFileを使ってコンテナを作ることにした。

配布されているDocker ImageのPull docker pull dromni/nerfstudio:1:0:3 も試したが、筆者の環境ではコンテナを立ち上げられなかった（0.3.4までは問題なく立ち上がったが...）。

1.1 インストール

git clone https://github.com/nerfstudio-project/nerfstudio.git -b v1.0.3
cd nerfstudio

1.2 Docker起動

OSやCUDAのバージョンがデフォルトと異なる場合は、ソースコード内のDockerFileの中身を書き換える。デフォルトは、ARG CUDA_VERSION=11.8.0 ARG OS_VERSION=22.04となっている。

docker build --tag nerfstudio -f Dockerfile .

docker run --gpus all \
    -v /home/${USER}/nerfstudio_103:/workspace \
    -p 7007:7007 \
    -it \
    --shm-size=12gb \
    --name nerfstudio_103 \
    nerfstudio

2. データセット準備

ns-download-dataコマンドで配布されているデータセットをダウンロードすることができる。

カメラやスマートフォンを使って自前でデータセットを用意し、学習に利用することもできる。筆者はミラーレスカメラで撮影した画像を利用することにした。

以下が学習に利用する画像。単一のオブジェクトが被写体の時は30枚程度でも十分か。

撮影したデータは、nerfstudio/data/${MODEL}/input に配置し、前処理

ns-process-data images --data data/${MODEL}/input --output-dir data/${MODEL}

を行う。

Nerfactoとsplatfactoのどちらも学習に利用するデータフォーマットは同じ模様。

3. 学習・レンダリング

ns-train splatfacto --data data/${MODEL}

学習の様子はGUIで確認できる。学習時間はデフォルトの30000 stepsで10分程度。
疎点群 sparse_pc.ply が data/${MODEL}/ に書きだされるところがnerfactoとの違いか。

	Nerfacto	Splatfacto
学習 (30000 steps)	約20分	約10分
レンダリング (450 frames)	6分48秒 (1.10fps)	4秒 (123.21fps)
レンダリング結果 (640 x 480)

4. 所感と注意点

前評判通り、3D-GSベースのsplatfactoではNeRFベースのnerfactoよりもフローターが少なくてきれいな印象。レンダリング速度はnerfactoよりもsplatfactoが圧倒的に早い。
ソースコード内のDockerFileからしか起動できなかったのがハマりポイント
6000×4000の画像でも学習は余裕で回り（4GBもいかない）、ビューア (GUI) も問題なく操作できたが、レンダリング ns-render ではメモリオーバーになった
3000×2000ではGPUメモリ12GBでもレンダリング可能

5. 参考