Windows 11 + RTX 4090 实测：3D Gaussian Splatting 最新版（Python 3.10 + CUDA 12.3）环境搭建避坑全记录
Windows 11 + RTX 4090 实战：3D Gaussian Splatting 非标环境部署全攻略
当最新一代显卡遇上前沿三维重建技术，总会碰撞出令人兴奋的火花。本文将带你深入探索在Windows 11系统下，如何利用RTX 4090的强大算力，搭建3D Gaussian Splatting（3DGS）的非标准开发环境。不同于官方推荐的配置，我们选择了Python 3.10和CUDA 12.3的组合，这既是对技术边界的挑战，也是为追求极致性能的开发者提供一条已验证的可行路径。
1. 环境准备与硬件配置
1.1 硬件基础检查
在开始之前，确保你的硬件配置满足以下要求：
- 显卡：NVIDIA RTX 40系列（本文以4090为例）
- 显存：建议24GB及以上
- 系统：Windows 11 22H2或更新版本
- 存储：至少50GB可用空间（用于存放数据集和模型）
提示：虽然3DGS理论上支持更低配置，但RTX 4090的24GB显存能显著提升训练效率，特别是在处理高分辨率场景时。
1.2 软件依赖安装
我们需要先搭建基础软件环境：
# 安装Visual Studio 2022（包含C++构建工具） choco install visualstudio2022community -y choco install visualstudio2022-workload-nativedesktop -y # 安装CUDA 12.3 choco install cuda --version=12.3.0 -y安装完成后，验证CUDA是否正确安装：
nvcc --version预期输出应显示release 12.3字样。如果遇到路径问题，请确保将CUDA的bin目录添加到系统PATH环境变量中。
2. Python环境配置
2.1 Conda环境创建
我们使用Miniconda来管理Python环境：
conda create -n 3dgs python=3.10 -y conda activate 3dgs2.2 PyTorch与关键依赖安装
由于我们使用CUDA 12.3，需要安装对应的PyTorch版本：
pip install torch==2.2.1 torchvision==0.17.1 torchaudio==2.2.1 --index-url https://download.pytorch.org/whl/cu121验证PyTorch是否能识别GPU：
import torch print(torch.cuda.is_available()) # 应输出True print(torch.cuda.get_device_name(0)) # 应显示你的GPU型号2.3 3DGS核心组件安装
克隆官方仓库并安装子模块：
git clone https://github.com/graphdeco-inria/gaussian-splatting --recursive cd gaussian-splatting安装核心依赖项：
SET DISTUTILS_USE_SDK=1 pip install submodules/diff-gaussian-rasterization pip install submodules/simple-knn pip install plyfile tqdm imageio matplotlib3. 常见问题与解决方案
3.1 编译错误排查
在安装diff-gaussian-rasterization时，可能会遇到以下错误：
MSVC编译器问题：
- 确保已安装Visual Studio 2022的C++桌面开发组件
- 设置环境变量：
SET DISTUTILS_USE_SDK=1
CUDA版本不匹配：
- 检查
CUDA_HOME环境变量是否指向正确的CUDA 12.3安装路径 - 运行
nvcc --version确认版本
- 检查
Python版本冲突：
- 确保conda环境中Python版本为3.10
- 使用
conda list检查所有包版本
3.2 运行时错误处理
| 错误类型 | 可能原因 | 解决方案 |
|---|---|---|
| CUDA out of memory | 场景过于复杂 | 降低输入分辨率或使用--resolution参数 |
| ModuleNotFoundError | 依赖未正确安装 | 重新安装requirements.txt中的包 |
| Kernel launch failed | CUDA架构不匹配 | 在编译时添加-arch=sm_89参数 |
4. 数据集准备与训练
4.1 官方数据集使用
下载官方提供的Tanks and Temples数据集：
# 下载并解压数据集 wget https://repo-sam.inria.fr/fungraph/3d-gaussian-splatting/datasets/input/tandt_db.zip unzip tandt_db.zip -d data/开始训练：
python train.py -s data/tandt_db/db/playroom --iterations 30000关键参数说明：
-s: 数据集路径--iterations: 训练迭代次数--resolution: 可降低分辨率以节省显存
4.2 自定义数据训练流程
图像采集：
- 使用手机或相机拍摄多角度照片（建议50-300张）
- 确保图像有足够重叠区域（60%-80%重叠最佳）
数据预处理：
# 使用COLMAP进行稀疏重建 colmap automatic_reconstructor \ --workspace_path ./custom_data \ --image_path ./custom_data/images \ --camera_model SIMPLE_RADIAL- 转换为3DGS格式：
python convert.py -s ./custom_data --resize- 开始训练：
python train.py -s ./custom_data -m output/custom_model5. 结果可视化与评估
5.1 实时查看器使用
下载并运行SIBR查看器：
# 在查看器目录中运行 .\SIBR_remoteGaussian_app.exe常用控制键：
- WASD: 前后左右移动
- QE: 上升/下降
- IJKL: 视角旋转
- UO: 顺时针/逆时针旋转
5.2 训练过程监控
3DGS会在训练过程中输出以下目录结构：
output/ ├── point_cloud/ │ ├── iteration_7000/ │ ├── iteration_14000/ │ └── ... ├── cameras.json └── point_cloud.ply可以通过定期加载不同迭代阶段的点云来观察训练进展。
5.3 质量评估指标
python metrics.py -s data/tandt_db/db/playroom -m output/playroom_model该脚本会计算以下指标：
- PSNR: 峰值信噪比
- SSIM: 结构相似性
- LPIPS: 感知相似性
在RTX 4090上，一个中等复杂场景（如Tanks and Temples的Playroom）通常需要约2小时完成30,000次迭代训练，最终PSNR可达25-30dB。