基于高斯溅射（Gaussian Splatting）的 3D 重建 / 渲染项目，实现并扩展了 RaDe-GS 与 TSPE 相关方法，用于在多视图场景下进行高质量重建与评估。

• Repository: https://github.com/nortonii/TSPE-GS
• Frameworks: PyTorch, CUDA
• Typical tasks: 训练、评估、网格提取（mesh extraction）、在 DTU / BlendedMVS 等数据集上的实验复现

建议使用 Conda 创建独立环境（Python 3.8+）：

conda create -n tspe-gs python=3.8 -y
conda activate tspe-gs

安装基础依赖（requirements.txt 中列出的）：

pip install -r requirements.txt

• GPU: 至少 1 块支持 CUDA 的 GPU（建议 12GB 显存或更高）
• CUDA: 已正确安装 CUDA 为11.8

训练脚本中会使用 nvidia-smi 查询显存占用，并设置 CUDA_VISIBLE_DEVICES；若需要使用其他 GPU，可直接修改 train.py 中对应代码或在外部设置环境变量：

export CUDA_VISIBLE_DEVICES=0

典型数据集包括：

• DTU: 经典多视图 3D 重建数据集
• BlendedMVS / MVS 系列：多视图立体重建数据集
• 其它自定义场景（参见 scene/ 与 eval/ 目录）

根目录下已经提供了若干 .sh 脚本来一键运行完整流程（训练 + 评估 + 网格导出），例如：

• runtrain.sh：默认训练脚本（可根据需要修改内部参数）
• rundtu.sh, rundtueval.sh, rundtumesh.sh：在 DTU 数据集上的训练 / 评估 / 网格提取
• runbmvs.sh, runbmvseval.sh, runbmvsmesh.sh：在 BlendedMVS / MVS 数据集上的训练 / 评估 / 网格提取
• 其他以 run*.sh 开头的脚本：针对不同场景或实验设置的一键运行脚本

以 DTU 为例（假设你已经在脚本内部配置好数据路径）：

# 训练
bash rundtu.sh

# 评估
bash rundtueval.sh

# 提取重建网格
bash rundtumesh.sh

以 MVS 实验为例：

# 训练
bash runbmvs.sh

# 评估
bash runbmvseval.sh

# 提取重建网格
bash runbmvsmesh.sh

上述脚本会自动运行完整实验流程，包括训练和评估，并在结束时输出最终的精度指标（如 PSNR / 准确率等，具体见 metric.py 与各 *_eval 目录下的脚本）。

你也可以直接调用 Python 脚本，例如（根据你的实际参数进行替换）：

python train.py --config <your_config>
python render.py --scene <scene_path>

@article{tspe_gs,
  title   = {TSPE-GS},
  author  = {Author et al.},
  journal = {Journal/Conference},
  year    = {2025}
}

本项目基于 / 参考了以下工作和代码实现（不完全列表）：

• 3D Gaussian Splatting（原始高斯溅射代码实现）
• RaDe-GS 相关代码与论文