NW' Blog
2026年7月2日 · 内容页面   |   📝编辑于2026年7月2日

Colmap + OpenSplat
P104部署记录

Multi-View 多视角图片生成 3DGS 高斯泼溅。完整记录三维重建工具链的搭建过程，包含 Colmap 参数调优、OpenSplat 环境配置与编译，以及 P104 显卡的实战经验。

Colmap + OpenSplat 部署预览

Colmap 参数调优

Colmap 直接从 GitHub 下载压缩包解压即可使用。但在实际重建过程中，平面中心容易出现大片空白，这通常意味着算法在那些区域「看不到」足够的特征点来进行匹配和三维重建。问题主要与 特征提取 和 稠密重建 两个环节的参数设置有关。

下面是根据界面可优先尝试调整的参数组合，建议按顺序操作：

第一步：让算法「看」得更清楚（调整特征提取）

这部分调整是为了让 Colmap 在原本纹理贫乏的区域（如白墙、光滑地面）也能提取到足够多的特征点。

  • 调整位置：在 Colmap 界面中，找到 Feature Extraction（特征提取）选项。
  • 推荐修改：
    • 提升特征数量：将 max_num_features 从默认的 8192 增加到 16000 或 32000。这能让算法提取更多点，增加在空白区域找到特征的概率。
    • 捕捉更多细节：将 SiftExtraction.peak_threshold 从默认的 0.00667 降低到 0.003 或 0.001。这会降低特征点检测的门槛，让算法能识别出更多细微的特征。
    • 适应视角变化：勾选 SiftExtraction.estimate_affine_shape。这能提升对大幅视角变化的适应能力，尤其适合环绕拍摄的场景。

第二步：让匹配更「宽松」和「精准」（调整特征匹配）

这部分调整是为了在保证质量的前提下，尽可能多地建立特征点之间的连接。

  • 调整位置：在 Feature Matching（特征匹配）选项下。
  • 推荐修改：
    • 放宽匹配条件：将 max_ratio 从 0.80 适当提高到 0.85 或 0.90。这个参数控制匹配的独特性，放宽后允许更多（可能质量稍低）的匹配进入，有助于连接稀疏区域。
    • 增加候选匹配：尝试将 guided_matching 从 -1 改为 1 来启用。这会利用已有的几何信息引导搜索更多匹配点。
    • 保障基础匹配：将 min_num_matches 从 15 提高到 30 或 50。这能确保用于计算两视图几何的匹配点足够多，从而得到更稳健的模型。

第三步：从「点」到「面」，填补空洞（调整稠密重建）

如果前两步做完，稀疏点云（Sparse Reconstruction）仍有空洞，则需要在稠密重建（Dense Reconstruction）阶段进行修补。

  • 调整位置：在开始稠密重建前，点击 Options 按钮，进入 PatchMatch Stereo 或 Fusion 标签页。
  • 推荐修改：
    • 增大匹配窗口：将 window_radius 从默认的 5 增加到 7 或 9。更大的窗口能覆盖更多像素信息，提高在低纹理区域的匹配稳定性。
    • 手动设置深度范围：在 depth_min 和 depth_max 中，根据场景大致距离手动输入一个范围（如室内 0.5 到 10 米），而不是使用 -1 自动计算。这能有效避免算法因深度范围估计错误而产生大量空洞。
preview
meshed -- 使用MeshLab查看

OpenSplat 环境部署

环境设置

CUDA 11.8 原生不支持 Visual Studio 2022 (v17)，会显示 "No CUDA toolset found"，可以升级到 CUDA 12 。如果使用 CUDA 11.8 ，需要手动复制文件：

将
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\extras\visual_studio_integration\MSBuildExtensions\
文件夹下的所有文件复制到
C:\Program Files\Microsoft Visual Studio\2022\Community\MSBuild\Microsoft\VC\v170\BuildCustomizations\
（ 路径请根据实际安装位置调整）。共 4 个文件：

  • CUDA 11.8.props
  • CUDA 11.8.targets
  • CUDA 11.8.xml
  • Nvda.Build.CudaTasks.v11.8.dll

设置环境变量并安装 PyTorch：

bash 
set DISTUTILS_USE_SDK=1
set CUDA_HOME=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8
set PATH=%CUDA_HOME%\bin;%PATH%
python -c "import os; print(os.environ.get('CUDA_HOME'))"

pip install torch==2.5.1+cu118 torchvision==0.20.1+cu118 --index-url https://download.pytorch.org/whl/cu118
pip install -v -e .

提示：需要 build 后使用。注意 Visual Studio 不要用 2026 的版本。Nanoflann、json、cxxopts、glm 需要联网下载，太慢了可以直接从 GitHub 下载解压。OpenCV 这里使用的版本是 4.9。

编译与构建

P104 的算力是 6.1（参考链接）。注意手动下载的包改成自己的位置。在 Developer Command Prompt for VS 2022 使用以下 CMake 命令进行编译：

bash 
cmake -G "Visual Studio 17 2022" -A x64 \
  -DCMAKE_PREFIX_PATH="D:/Sware/libtorch;D:/Sware/opencv/build" \
  -DFETCHCONTENT_SOURCE_DIR_nanoflann=D:/Sware/nanoflann \
  -DFETCHCONTENT_SOURCE_DIR_json=D:/Sware/json \
  -DFETCHCONTENT_SOURCE_DIR_cxxopts=D:/Sware/cxxopts \
  -DFETCHCONTENT_SOURCE_DIR_glm=D:/Sware/glm \
  -DOpenCV_DIR=D:/Sware/opencv/build \
  -DCMAKE_CUDA_ARCHITECTURES=61 ..

cmake --build . --config Release

Build 好后运行 exe 时报错显示找不到 opencv_world490.dll，需要添加环境变量：

Powershell 
$env:Path += ";D:\Sware\opencv\build\x64\vc16\bin"

运行与测试

使用 Colmap 生成数据集，然后通过 OpenSplat 进行高斯泼溅绘制：

1. 创建 Colmap 数据库并提取图像特征

bash 
colmap feature_extractor --database_path dataset/colmap_output/database.db --image_path dataset/input --ImageReader.single_camera 1

2. 执行特征匹配（照片数量不多时用穷尽匹配）

bash 
colmap exhaustive_matcher --database_path dataset/colmap_output/database.db

3. 进行稀疏重建（运动恢复结构）

bash 
mkdir -p dataset/colmap_output/sparse
colmap mapper --database_path dataset/colmap_output/database.db --image_path dataset/input --output_path dataset/colmap_output/sparse

4. 进行稠密重建，生成更密集的点云

bash 
colmap image_undistorter --image_path dataset/input --input_path dataset/colmap_output/sparse/0 --output_path dataset/colmap_output/dense --output_type COLMAP

colmap patch_match_stereo --workspace_path dataset/colmap_output/dense --workspace_format COLMAP --PatchMatchStereo.geom_consistency true

colmap stereo_fusion --workspace_path dataset/colmap_output/dense --workspace_format COLMAP --output_path dataset/colmap_output/dense/fused.ply

5. 复制 images 文件夹后运行 OpenSplat

需要把 dataset/colmap_output/dense/images 文件夹复制到 dataset/colmap_output/sparse/0 后再进行 GS 绘制。
进入 \OpenSplat\build\Release 中运行：

bash 
.\opensplat.exe D:\temp\GS3D\dataset\colmap_output\sparse\0 -o output.splat

这个命令会处理 Colmap 数据，并生成一个名为 output.splat 的高斯泼溅文件。你也可以指定 .ply 作为输出后缀。

OpenSplat 关键参数调优

OpenSplat 提供了丰富的参数来适应不同场景。这里有几个最常用的：

  • -o [--output] arg：指定输出文件名，默认为 splat.ply。
  • --cpu：强制使用 CPU 运行。当 GPU 显存不足时可以考虑，但速度会慢很多。
  • -d [--downscale-factor] arg：图像下采样因子。处理高分辨率图像（如 4K）时，可设为 2 或 4 来大幅降低显存占用。
  • -s [--save-every] arg：设置每隔多少步自动保存一次中间结果。防止训练意外中断导致成果丢失，建议设置为 2000 或 5000。

后记

P104 无参数算 16 张手机照片的 OpenSplat，8G显存一会就满了，时间是以小时计的……
之后还是用现代点的显卡跑吧。

preview
我滴老伙计

Happy Reconstructing! 🎉