Colmap 自制 3D Gaussian Splatting 数据集：从采集到生成实操

3D Gaussian Splatting（3DGS）作为当前主流的神经辐射场方案，能生成超逼真的三维重建效果，而高质量数据集是其效果的核心前提。Colmap 作为经典的 SfM（运动恢复结构）工具，可完成图像序列的相机姿态估计、稀疏点云与稠密点云重建，是自制 3DGS 数据集的关键工具。本文详解使用 Colmap 预处理图像数据，最终生成 3DGS 所需标准数据集的完整流程，附关键命令与配置，帮助快速上手自制数据集。

一、核心原理与前置准备

1. 数据集核心要求

3DGS 数据集需包含三大核心内容：

• 图像序列（多角度、无遮挡、均匀覆盖目标场景）；

• 相机内参（焦距、畸变系数等）；

• 相机外参（每个图像的位姿：旋转矩阵 + 平移向量）；

• 稠密点云（可选，用于初始化高斯分布）。

Colmap 的核心作用是自动计算相机参数与位姿，生成 3DGS 兼容的格式。

2. 环境安装

（1）安装 Colmap

• Windows：从 Colmap 官网 下载安装包，直接解压使用；

• Ubuntu：通过命令安装：

sudo apt-get install colmap

• Mac：通过 Homebrew 安装：

brew install colmap

（2）安装 3DGS 依赖（用于数据集验证）

# 克隆 3DGS 官方仓库

git clone https://github.com/graphdeco-inria/gaussian-splatting.git

cd gaussian-splatting

# 安装依赖

pip install -r requirements.txt

3. 图像数据采集规范（关键！影响重建效果）

• 设备：手机、相机均可，建议分辨率 1080P 以上；

• 拍摄方式：围绕目标场景缓慢移动，相邻图像重叠率 60%-80%；

• 数量：普通场景 50-200 张，复杂场景 200-500 张；

• 注意事项：避免强光直射、运动模糊，不改变焦距（固定镜头）。

二、Colmap 数据集预处理全流程

步骤 1：数据目录结构搭建

创建标准目录结构，便于 Colmap 识别与后续 3DGS 调用：

dataset/ # 数据集根目录

├── input/ # 输入图像目录

│ ├── 0001.jpg

│ ├── 0002.jpg

│ └── ...（所有采集的图像）

└── colmap_output/ # Colmap 输出目录（自动生成）

├── sparse/ # 稀疏重建结果（相机参数+稀疏点云）

└── dense/ # 稠密重建结果（稠密点云）

步骤 2：Colmap 稀疏重建（核心：计算相机参数与位姿）

稀疏重建是获取相机内参、外参的关键步骤，通过特征匹配与光束平差法（Bundle Adjustment）实现：

1. 打开 Colmap GUI（Windows 双击 colmap.bat，Ubuntu/Mac 终端输入 colmap gui）；

1. 新建项目：

• • 点击 File → New Project；

• • Project path 选择 dataset/colmap_output；

• • Image path 选择 dataset/input；

• • 点击 Save 生成项目文件（.db 数据库）。

1. 特征提取（提取图像特征点与描述子）：

• • 点击 Processing → Feature Extraction；

• • 保持默认参数（或根据图像分辨率调整，如 1080P 图像可设 SIFT downscale factor=2）；

• • 点击 Run，等待执行完成（进度条显示 100%）。

1. 特征匹配（匹配不同图像间的特征点）：

• • 点击 Processing → Feature Matching；

• • 选择 Sequential matching（序列匹配，适合有序图像）；

• • 点击 Run，匹配完成后生成特征匹配结果。

1. 稀疏重建（估计相机位姿与稀疏点云）：

• • 点击 Processing → Sparse Reconstruction；

• • 保持默认参数，点击Run；

• • 成功后可在 3D 窗口查看稀疏点云与相机轨迹（绿色点为稀疏点，彩色锥为相机位置）。

步骤 3：Colmap 稠密重建（生成稠密点云）

3DGS 可通过稀疏点云初始化，但稠密点云能提升重建精度，步骤如下：

1. 稠密重建准备：

• • 点击 Processing → Dense Reconstruction；

• • Workspace path 选择 dataset/colmap_output/dense（自动创建）；

• • 点击 Prepare，生成稠密重建所需目录结构。

1. 图像矫正：

• • 点击 Undistort images，矫正图像畸变（基于稀疏重建得到的相机内参）；

• • 等待执行完成，生成矫正后的图像。

1. 稠密匹配（计算像素级深度图）：

• • 点击 Stereo matching，保持默认参数（或调整 Patch match stereo 相关参数提升精度）；

• • 执行完成后生成深度图与法向量图。

1. 融合生成稠密点云：

• • 点击 Fuse，融合所有深度图生成稠密点云；

• • 完成后在 dataset/colmap_output/dense/fused.ply 可查看稠密点云（用 MeshLab 打开）。

步骤 4：格式转换（生成 3DGS 标准数据集）

Colmap 输出格式需转换为 3DGS 支持的格式（主要是相机参数的 txt 格式），使用 3DGS 官方提供的转换脚本：

1. 复制转换脚本到数据集根目录（或直接在 3DGS 仓库中执行）；

1. 终端执行转换命令：

# 进入 3DGS 仓库目录

cd gaussian-splatting

# 执行转换脚本（需指定 Colmap 输出目录与 3DGS 数据集输出目录）

python convert.py \

--colmap_path ../dataset/colmap_output/sparse/0 \

--image_path ../dataset/input \

--output_path ../dataset/3dgs_input

1. 转换完成后，3dgs_input 目录即为 3DGS 标准数据集，结构如下：

3dgs_input/

├── cameras.txt # 相机内参（所有相机共享，单目场景）

├── images.txt # 相机外参（每个图像的位姿+图像路径）

├── points3D.txt # 稀疏点云（可选，用于初始化）

└── input/ # 链接的原始图像目录

三、关键优化与避坑指南

1. 提升重建质量的核心技巧

• 图像采集优化：

• • 避免大面积纯色区域（无特征点，导致匹配失败）；

• • 均匀环绕拍摄，避免视角突变（减少特征匹配歧义）；

• Colmap 参数调整：

• • 特征提取时，若图像模糊，增大 SIFT number ofoctaves（如设为 6）；

• • 稀疏重建失败时，降低 Bundle adjustment 的 Absolute pose prior weight；

• 稠密重建优化：

• • 若稠密点云孔洞较多，增大 Stereo matching 的 Maximum disparity。

2. 常见问题解决方案

问题现象	原因分析	解决方案
稀疏重建无相机轨迹	图像特征匹配失败（重叠率低 / 特征少）	重新拍摄（增加重叠率），或调整特征提取参数（增大 SIFT contrast threshold）
稠密点云孔洞多	视角覆盖不全 / 光照不均	补充拍摄缺失视角，避免强光 / 阴影，调整立体匹配参数
格式转换失败（相机参数缺失）	Colmap 稀疏重建未生成有效参数	重新执行稀疏重建，确保特征匹配与光束平差成功
3DGS 训练时图像无法读取	图像路径错误（相对路径问题）	检查 images.txt 中图像路径是否正确，确保 input 目录与数据集目录对应

3. 数据集验证

生成 3DGS 数据集后，可通过快速训练验证数据集有效性：

# 进入 3DGS 仓库目录

cd gaussian-splatting

# 执行快速训练（设置少迭代次数，验证是否能正常运行）

python train.py \

-s ../dataset/3dgs_input \

-m ../dataset/3dgs_output \

--iterations 1000

若训练无报错，且在 3dgs_output 目录生成中间结果，说明数据集格式正确、质量达标。

四、设备与效率优化建议

• 硬件要求：

• • CPU：多核处理器（特征提取、匹配依赖多线程）；

• • GPU：NVIDIA 显卡（CUDA 支持，加速稠密重建与 3DGS 训练）；

• • 内存：16GB 以上（处理 200 张 1080P 图像需 8GB 以上内存）；

• 效率优化：

• • 图像分辨率压缩：若图像过大（如 4K），压缩至 1080P 可大幅提升处理速度；

• • 减少冗余图像：删除重叠率过高（>90%）的图像，避免重复计算；

• • 并行计算：Colmap 支持多线程，在特征提取、匹配时设置 Number of threads 为 CPU 核心数。

总结

使用 Colmap 自制 3D Gaussian Splatting 数据集的核心流程是 “图像采集→稀疏重建（相机参数）→稠密重建（可选）→格式转换”。关键在于保证图像采集质量（足够重叠率、无畸变）与 Colmap 重建参数的合理设置，这直接决定数据集的精度与 3DGS 最终重建效果。多数问题集中在稀疏重建失败或稠密点云质量差，可通过优化拍摄方式、调整 Colmap 参数解决。掌握该流程后，可低成本自制各类场景的 3DGS 数据集，为后续训练与应用（如虚拟漫游、数字孪生）提供基础。