UnityGaussianSplatting 实验性项目安装与使用指南
目录结构概览
在打开 UnityGaussianSplatting 仓库之后,你会看到以下主要的目录和文件:
- packages
包含项目使用的各种软件包. - projects
这是实际 Unity 项目所在的文件夹. 其中包括了用于演示的 GaussianExample 项目.
projects 文件夹内结构分解
-
GaussianExample
- Assets
- 包含所有资源, 如纹理, 音频文件或脚本等.
- Library
- 存储编辑器元数据和编译的脚本, 不应手动修改.
- Temp
- 编辑器临时文件存储位置.
- GSTestScene.unity
- 主测试场景文件.
- Assets
-
Tools
- 包括项目特定工具, 如创建和管理 GaussianSplat 资产的工具.
-
.gitignore
- 规定哪些文件不应被版本控制跟踪.
-
LICENSE.md
- 指明该项目许可协议.
-
readme.md
- 提供项目概述以及如何运行和使用的信息.
启动文件介绍
为了体验并运行 UnityGaussianSplatting, 你需要从 projects 目录下导入或克隆 GaussianExample 到你的本地 Unity 环境中.
- GSTestScene.unity: 这是预设好的主测试场景. 在此场景中, 已经集成了必要的视觉效果和环境设置来展示 Gaussian Splatting 技术.
一旦将 GaussianExample 导入到你的 Unity 项目中, 开始时确保有支持 DirectX12 或者 Vulkan 的图形API可用, 因为该实验仅在这些平台上得到验证并支持. 接下来可以加载 GSTestScene 场景并在 Unity 中进行实时预览.
配置文件介绍
为了优化可视化结果, UnityGaussianSplatting 提供了一些配置选项.
创建 GaussianSplat 资源
通过 Unity 内的自定义菜单进行操作以创建和修改 GaussianSplatAsset:
-
Tools > Gaussian Splats > Create GaussianSplatAsset
使用这个菜单项可以在 Assets 文件夹下创建新的 GaussianSplat 资产.
此资产负责保存 Gaussian Splat 的参数, 如颜色分布, 高斯核参数以及光照模型. 可以进一步定制每种类型的高斯Splat 来匹配具体需求.
硬件兼容性和性能调优
图形 API 选择
请注意: 此项目明确要求使用 DirectX12 或 Vulkan API 运行, 在其他图形驱动(如 DirectX11)上运行可能不会成功. 在 Unity 的 Player 设置中确认已选正确的图形 API.
性能考量
GPU 排序代码
由 Thomas Smith 贡献的 #82 版本带来了 GPU 上的排序功能, 加速了渲染过程. 尽管如此, 必须考虑到原论文中的 GaussianSplats 训练软件对于商业用途需获得 INRIA 的许可证, 即使本项目使用的是 MIT License.
总体而言, UnityGaussianSplatting 是一个基于SIGGRAPH 2023 发表的 3D Gaussian Splatting 实验项目. 它利用 Unity 引擎来实现实时高斯拟合视效. 要充分挖掘其潜力, 请遵循上述指南进行配置和调整.
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00