2D-Gaussian-Splatting项目在NeRF Synthetic数据集上的复现与性能分析

背景介绍

2D-Gaussian-Splatting是一种新型的神经渲染方法，它通过将3D场景表示为2D高斯分布来实现高效的渲染。该项目在NeRF Synthetic数据集上展示了出色的渲染性能，但在实际复现过程中，研究人员可能会遇到结果不一致的问题。

性能差异问题

在复现2D-Gaussian-Splatting项目时，研究人员发现使用默认参数训练后得到的PSNR结果与论文报告值存在差异。具体表现为：

• 使用正则化(default配置)时，平均PSNR约为32.83
• 论文报告的无正则化结果平均PSNR更高
• 特别是lego场景，复现结果(33.80)与预期值(34.38)有显著差距

问题根源分析

经过深入调查，发现导致性能差异的主要原因包括：

1. 正则化使用：默认配置启用了正则化项，这会降低PSNR指标，而论文报告的是无正则化的结果。

2. 随机性影响：训练过程中的随机初始化可能导致结果波动，需要通过设置随机种子来确保可重复性。

3. 评估流程差异：直接使用train.py+render.py+metrics.py的评估流程与论文使用的评估脚本可能存在细微差别。

解决方案与复现方法

为确保结果一致性，项目作者提供了标准化的评估脚本：

1. 使用专用评估脚本：

python scripts/nerf_eval.py
python scripts/summary.py -m output/exp_nerf_synthetic

2. 设置随机种子：在训练前固定随机种子可以消除随机性带来的波动：

def set_seed(seed=2024):
    random.seed(seed)
    np.random.seed(seed)
    torch.manual_seed(seed)
    torch.cuda.manual_seed(seed)
    torch.cuda.manual_seed_all(seed)
    torch.backends.cudnn.benchmark = False
    torch.backends.cudnn.deterministic = True

3. 参数调整：如需复现论文结果，应关闭正则化项。

复现结果验证

使用标准化评估流程后，获得的PSNR结果与论文报告值高度一致：

场景	PSNR
chair	35.24
drums	26.09
ficus	35.39
hotdog	37.33
lego	35.14
materials	29.68
mic	34.85
ship	30.63
平均	33.04

技术建议

1. 背景处理：部分场景存在背景渲染问题，这是已知问题，可通过后期处理改善。

2. 性能优化：对于追求最高PSNR的研究，建议关闭正则化；对于追求泛化能力，可保留正则化。

3. 结果验证：建议使用项目提供的标准化评估流程，而非自行拼接训练和评估脚本。

结论

2D-Gaussian-Splatting项目在NeRF Synthetic数据集上的性能表现优异且可复现。通过使用标准评估流程、控制随机因素和正确配置参数，研究人员可以获得与论文报告一致的量化结果。这一案例也强调了在复现深度学习研究时，评估流程标准化和实验控制的重要性。