【3DGS】Win11系统下3D Gaussian Splatting从零配置到实战渲染
1. 环境准备：Win11下的3DGS基础配置
最近在折腾3D Gaussian Splatting（简称3DGS）这个酷炫的技术，发现网上教程大多基于Ubuntu系统，对Windows用户不太友好。作为一个常年被Linux环境折磨的Windows党，我决定把在Win11上踩过的坑都记录下来。先说下我的硬件配置：笔记本搭载RTX 3060显卡，CUDA 12.1驱动版本。如果你的显卡是20/30/40系，跟着我的步骤走基本不会翻车。
1.1 显卡驱动与CUDA的相爱相杀
装CUDA前一定要先检查显卡驱动版本！我刚开始直接装了CUDA 12.4，结果发现和驱动不兼容，渲染时疯狂报错。正确姿势是：
- 右键桌面打开NVIDIA控制面板
- 点击"帮助->系统信息"
- 查看"驱动程序版本"和"CUDA版本"的对应关系
建议直接用NVIDIA GeForce Experience更新到最新驱动。我实测发现，驱动版本516.94配合CUDA 11.8最稳定，但如果你用的是40系显卡，必须装CUDA 12.x。有个小技巧：安装CUDA时不要勾选Visual Studio集成，除非你要做二次开发。
1.2 Python环境的玄学问题
强烈建议用Anaconda创建独立环境，我试过直接用系统Python，各种dll报错让人崩溃。具体操作：
conda create -n 3dgs python=3.9 conda activate 3dgs这里有个坑：Python 3.10以上版本可能会和某些依赖冲突，3.9版本亲测最稳。安装完记得先升级pip：
python -m pip install --upgrade pip2. 依赖安装：那些官方没告诉你的细节
2.1 PyTorch的版本迷宫
官方文档只说"安装PyTorch"，但没告诉你版本不对会直接导致训练失败。我的血泪教训：
- CUDA 11.x用这个命令：
pip install torch==1.13.1+cu116 torchvision==0.14.1+cu116 --extra-index-url https://download.pytorch.org/whl/cu116- CUDA 12.x用这个：
pip install torch==2.0.1+cu118 torchvision==0.15.2+cu118 --extra-index-url https://download.pytorch.org/whl/cu118安装完一定要验证：
import torch print(torch.cuda.is_available()) # 必须返回True print(torch.version.cuda) # 应该和安装的CUDA版本一致2.2 其他依赖的隐藏关卡
除了基本的requirements.txt，这几个包容易漏装：
pip install plyfile tqdm opencv-python如果遇到"Could not build wheels for..."错误，可能是缺少C++编译环境。去安装Visual Studio 2019的C++生成工具就行。
3. 数据准备：从零开始处理自己的数据集
3.1 官方数据集的正确打开方式
下载官方提供的Truck数据集后，目录结构应该是这样：
data/ └── tandt/ ├── truck/ │ ├── images/ │ ├── sparse/ │ └── cameras.json千万别直接扔到根目录！我一开始没注意，训练时疯狂报"找不到图像"的错误。正确的做法是在项目根目录创建data文件夹，然后把解压后的tandt放进去。
3.2 自定义数据集的预处理
如果你想用自己的照片建模，需要先通过COLMAP生成位姿信息。这里有个Win11下的简化流程：
- 下载COLMAP的Windows版
- 把照片放在一个文件夹内（建议50-100张）
- 运行：
colmap automatic_reconstructor \ --workspace_path ./my_data \ --image_path ./my_data/images生成的sparse文件夹要重命名为sparse/0，否则3DGS会识别失败。
4. 训练与渲染：从代码到3D魔法
4.1 训练参数调优指南
启动训练的命令虽然简单：
python train.py -s data/tandt/truck -m output/truck但有几个关键参数可以大幅提升效果：
--iterations 30000默认值可能不够--resolution 2高清场景用-1--sh_degree 3对复杂光照更友好
训练过程中可以实时查看loss曲线，如果发现PSNR值卡住不动，可能是学习率太高，加个--lr 0.0001试试。
4.2 实时渲染的坑点排查
下载的viewer工具包解压后，要注意：
- 把训练好的output文件夹（包含point_cloud.ply）放到viewer的bin目录下
- 管理员身份运行PowerShell，执行：
.\SIBR_gaussianViewer_app.exe -m output/truck如果闪退，大概率是显卡内存不够。可以加--width 1280 --height 720降低分辨率。
5. 性能优化：让3DGS飞起来
5.1 显卡内存不足的解决方案
我的RTX 3060 6GB跑大场景经常OOM，这几个技巧很管用：
- 训练时加
--densification_interval 1000 - 渲染时加
--reduce_point_size - 编辑viewer的config文件，把"max_splat_size"改小
5.2 多显卡训练的黑科技
如果你有双显卡，可以这样榨干硬件性能：
CUDA_VISIBLE_DEVICES=0,1 python train.py ... --num_gpus 2注意要在代码里修改data_loader的num_workers为0，否则可能死锁。
6. 常见错误大全
6.1 "CUDA out of memory"终极解法
除了降低batch size，还可以：
- 在train.py开头加：
torch.backends.cuda.max_split_size_mb = 128- 设置虚拟内存为物理内存的2倍
- 关闭其他吃显存的程序（比如浏览器）
6.2 模型发黑的秘密
渲染结果像一团黑雾？通常是这些原因：
- 训练数据的光照不均匀 - 重新拍摄时保持光线一致
- SH degree设置过高 - 改成1试试
- 点云密度不够 - 增加densify_until_iter参数