低成本采集
使用手机视频而非专用阵列设备，通过移动路径和帧间重叠保障几何可恢复性。
01 / GOAL
用可获得的设备，完成可浏览的立面场景
相机与空间骨架
先用 SfM 恢复相机内外参与稀疏点云，为高斯场提供合理初始位置。
轻量 Web 展示
在 Brush 中完成训练和“雕刻式”清理，再导出到 SuperSplat 进行场景裁剪与网页浏览。
02 / CAPTURE
采集决定了后续上限
路径设计
沿建筑立面平稳移动，保持连续视差，避免大幅度跳角度和突然改变曝光。
重叠与清晰度
目标重叠度高于 70%，让窗框、砖缝等稳定特征能跨多帧建立匹配。
OpenCV 抽帧
用 Python / OpenCV 按 2 FPS 生成图像序列，在视角变化与重复帧之间取平衡。
质量筛选
训练前需剔除明显模糊、重复或遮挡严重的帧，避免将采集问题带入几何恢复。
cap = cv2.VideoCapture(video_path)
fps = cap.get(cv2.CAP_PROP_FPS)
step = max(1, round(fps / 2))
while cap.isOpened():
ok, frame = cap.read()
if not ok: break
if frame_id % step == 0:
cv2.imwrite(output / f"{saved:04d}.jpg", frame)03 / COLMAP
先建几何骨架，再优化外观
特征检测与匹配
FEATURES从 138 张图像中检测稳定局部特征，建立多视角对应关系；错误匹配会在后续表现为飘浮点或拉裂结构。
相机位姿估计
CAMERAS通过束调整联合优化相机位姿和空间点，使同一特征在多张图像中的重投影误差收敛。
稀疏点云输出
109,180 PTS输出 109,180 个稀疏点与已注册相机，这些几何结果成为 3DGS 中高斯位置与相机观测的初始条件。
关键判断
如果相机轨迹不连续或稀疏点云出现多个分裂群，应先回到帧质量、特征匹配和建图参数，而不是直接进入 3DGS 训练。
138完成筛选并进入重建的图像
109,180稀疏点云点数
> 70%目标连续帧重叠度
04 / 3DGS
以可微渲染优化高斯场
场景表示
每个 3D 高斯包含位置 μ、协方差 Σ、透明度 α 与球谐颜色系数，用连续椭球代替传统三角网格表示外观。
可微渲染
将高斯投影到图像平面，按深度排序后 alpha blending；比较渲染图与真实帧，通过梯度更新位置、尺度、方向、透明度与颜色。
自适应增密
Brush 在细节不足区域增加或分裂高斯，使窗框、砖缝和立面边界获得更密集的表达。
训练区间
原项目材料记录的训练迭代范围为 7k–30k。迭代数是计算预算，不能取代训练视图检查和噪声清理。
05 / DELIVERY
从可训练场景到可用 Web 资产
- 噪声清理在 Brush 中选择并删除天空、前景遮挡和错误匹配产生的漂浮高斯。
- 场景裁剪保留主要建筑立面与必要环境，减少无关空间和浏览端负担。
- 格式交付导出 SuperSplat 兼容场景，检查初始视角、裁剪边界和浏览性能。
- 实时表现材料记录清理后场景约 60 FPS 浏览，并保留玻璃反射、室内深度感与立面纹理。
完整产出
手机视频 → OpenCV 抽帧 → COLMAP 位姿/点云 → Brush 3DGS 训练与清理 → SuperSplat Web 展示。这条流程同时覆盖摄影测量、神经渲染和三维数据交付。