منذ ظهور تقنية "التوزيع الغاوسي ثلاثي الأبعاد لعرض حقول الإشعاع في الوقت الحقيقي" في عام 2023، أصبحت تقنية 3DGS (التوزيع الغاوسي ثلاثي الأبعاد) بسرعة واحدة من أكثر الأساليب التقنية رواجًا في مجال إعادة البناء ثلاثي الأبعاد وتركيب المنظور الجديد. بالمقارنة مع تقنية NeRF التقليدية،لقد حقق برنامج 3DGS تقدماً رائداً في سرعة العرض وجودة الصورة، مما جعل إعادة بناء المشاهد ثلاثية الأبعاد عالية الدقة في الوقت الفعلي أمراً ممكناً.مع ذلك، ومع النمو السريع للأبحاث والتطبيقات الصناعية، برزت مشكلة جديدة تدريجيًا: يتطلب التنفيذ الأصلي موارد عالية من ذاكرة الفيديو والحوسبة، كما أن كفاءة التدريب وقابلية التوسع الهندسي محدودة. غالبًا ما يحتاج الباحثون إلى قضاء وقت طويل في تحسين الأداء على مستوى منخفض لتطبيقه على سيناريوهات ومهام أكثر تعقيدًا.

في الآونة الأخيرة، قدم مشروع gsplat، وهو مشروع مفتوح المصدر تم تطويره بشكل مشترك من قبل جامعة كاليفورنيا في بيركلي، وشركة NVIDIA، وجامعة شنغهاي للتكنولوجيا، وشركة أمازون، وشركة Meta، ومؤسسات أخرى، حلاً جديداً لهذه المشكلة. فهو مكتبة أساسية مصممة خصيصاً لتدريب وتطوير أساليب التوزيع الغاوسي (Gaussian Splatting).مع الحفاظ على جودة عرض 3DGS الأصلية، قامت gsplat بإعادة هيكلة وتحسين إطار التدريب الأساسي بشكل منهجي.لقد أصبحت واحدة من أهم البنى التحتية في النظام البيئي الحالي لتقنية التوزيع الغاوسي.

من منظور التصميم المعماري،تعتمد gsplat نهج فصل الواجهة الأمامية عن الواجهة الخلفية:توفر الواجهة الأمامية واجهة بايثون متكاملة تمامًا مع PyTorch، مما يسهل التطوير السريع والتجريب للباحثين؛ أما الواجهة الخلفية، القائمة على نواة CUDA عالية التحسين، فتتيح حسابًا عالي الأداء للتحويل النقطي التفاضلي. وتُظهر النتائج التجريبية الرسمية أنه بالمقارنة مع التنفيذ الأصلي،يمكن لـ gsplat توفير ما يصل إلى 4 أضعاف ذاكرة وحدة معالجة الرسومات وتقليل وقت التدريب بحوالي 10%~15%.يقلل ذلك بشكل كبير من عتبة الموارد اللازمة لتدريب المشاهد واسعة النطاق.

إضافةً إلى تحسينات الأداء، يُقدّم gsplat آلية تحكّم تكيفية في كثافة التوزيع الغاوسي، تُتيح إضافة أو إزالة نقاط غاوسية تلقائيًا أثناء التدريب لتحقيق تمثيل أكثر كفاءة للمشهد. كما يدعم مصادر بيانات متعددة مثل COLMAP، وسحابة نقاط SfM، وسحابة نقاط LiDAR، ويحتوي على عارض ويب مدمج يعمل في الوقت الفعلي، مما يسمح للمستخدمين بعرض المشاهد ثلاثية الأبعاد والتفاعل معها مباشرةً في المتصفح.

أطلقت شركة HyperAI (hyper.ai) مؤخرًا برنامجًا تعليميًا بعنوان "تدريب وتصوير Gsplat ثلاثي الأبعاد بتقنية Gaussian Splash"، مما يُسهّل عملية النشر ويُساعد على التحقق من صحة النماذج بسرعة. ⬇️

تشغيل عبر الإنترنت:https://go.hyper.ai/19Pn8

المزيد من الدروس التعليمية عبر الإنترنت:

https://hyper.ai/notebooks

تشغيل تجريبي

1. بعد الدخول إلى الصفحة الرئيسية لموقع hyper.ai، حدد صفحة "الدروس التعليمية"، أو انقر فوق "عرض المزيد من الدروس التعليمية"، وحدد "تدريب وتصور Gsplat 3D Gaussian Splash"، وانقر فوق "تشغيل هذا البرنامج التعليمي".

2. بعد إعادة توجيه الصفحة، انقر فوق "استنساخ" في الزاوية اليمنى العليا لاستنساخ البرنامج التعليمي في الحاوية الخاصة بك.

ملاحظة: يمكنك تبديل اللغات في الزاوية العلوية اليمنى من الصفحة. حاليًا، اللغتان الصينية والإنجليزية متاحتان. سيوضح هذا البرنامج التعليمي الخطوات باللغة الإنجليزية.

3. حدد صور "NVIDIA RTX 5090" و "PyTorch"، وانقر فوق "متابعة تنفيذ المهمة".

4. انتظر حتى يتم تخصيص الموارد. بمجرد أن تتغير الحالة إلى "قيد التشغيل"، انقر فوق "فتح مساحة العمل" للدخول إلى مساحة عمل Jupyter.

عرض التأثير

1. بعد إعادة توجيه الصفحة، انقر على ملف README الموجود على اليسار، ثم انقر على تشغيل في الأعلى.

2. بعد اكتمال العملية، انقر فوق عنوان API الموجود على اليمين لفتح واجهة العرض التوضيحي.