synthesiaresearch
Processing for mesh
Hi, thank you for your outstanding work. I noticed that you mentioned using RealityCapture for reconstruction in another question. When I use RealityCapture for reconstruction, the results are not ideal. Could you demonstrate the reconstruction process using this tool?
At the same time, I used COLMAP for reconstruction, but the feature maps of the back view could not be matched with those of the front view, resulting in missing point clouds for the back. I wonder if you have encountered this situation.
我遇到了类似的问题，人物后脑勺部分不太容易重建得很好，以及零散的黑边。我建议你可以直接用数据集中的calibration.csv真值试一下，结果看起来还可以。
我遇到了类似的问题，人物后脑勺部分不太容易重建得很好，以及零散的黑边。我建议你可以直接用数据集中的calibration.csv真值试一下，结果看起来还可以。
160个视角的通过调整colmap参数 可以到达很好的效果，比使用calibration.csv效果要好很多，但是我尝试15个视角的，效果还是不太好
我遇到了类似的问题，人物后脑勺部分不太容易重建得很好，以及零散的黑边。我建议你可以直接用数据集中的calibration.csv真值试一下，结果看起来还可以。
160个视角的通过调整colmap参数 可以到达很好的效果，比使用calibration.csv效果要好很多，但是我尝试15个视角的，效果还是不太好
我试了一下用160张图colmap重建，发现确实比使用calibration.csv的效果要好。有点疑惑，按理说calibration.csv给出的是相机内外参真值，重建效果不应该比colmap估计的结果要差。我比较了几张图的内外参真值 (calibration中的) 和cameras.txt&images.txt (colmap中的) 数值，还是有差别的。是因为calibration.csv提供的内外参的误差比较大吗，我不太确定这个推断对不对。
还有你用160张图重建时，改动了哪些colmap参数呢？如果用15个视角来重建的话，图片数量太少，效果应该不会很好。
我遇到了类似的问题，人物后脑勺部分不太容易重建得很好，以及零散的黑边。我建议你可以直接用数据集中的calibration.csv真值试一下，结果看起来还可以。
160个视角的通过调整colmap参数 可以到达很好的效果，比使用calibration.csv效果要好很多，但是我尝试15个视角的，效果还是不太好
我试了一下用160张图colmap重建，发现确实比使用calibration.csv的效果要好。有点疑惑，按理说calibration.csv给出的是相机内外参真值，重建效果不应该比colmap估计的结果要差。我比较了几张图的内外参真值 (calibration中的) 和cameras.txt&images.txt (colmap中的) 数值，还是有差别的。是因为calibration.csv提供的内外参的误差比较大吗，我不太确定这个推断对不对。
还有你用160张图重建时，改动了哪些colmap参数呢？如果用15个视角来重建的话，图片数量太少，效果应该不会很好。
我也不确定，是不是因为内外参数的问题还是因为colmap本身的问题， 我是用使用gui看了一下相机的布局，没有明显的错误。 另外，我修改了很多的参数主要是特征提取和mapper的参数。 我觉得是gs的问题，colmap我的结果还算满意
我得到了一个有好有坏的结果。3dgs重建的正面看起来还不错，但是头部后面、上面，以及肩膀就很糟糕了。
这个结果比calibration.csv重建的结果要好很多，但只用到了95张左右的图片，其余的图片被colmap舍弃掉了。
那不应该，我建议你调整一下colmap的参数，--ImageReader.single_camera 0 --ImageReader.camera_model PINHOLE --SiftExtraction.peak_threshold 0.001 --SiftExtraction.edge_threshold 80
那不应该，我建议你调整一下colmap的参数，--ImageReader.single_camera 0 --ImageReader.camera_model PINHOLE --SiftExtraction.peak_threshold 0.001 --SiftExtraction.edge_threshold 80
谢谢你给的参数，现在colmap可以用到158张图以及得到3万多个点了。
但是我再继续缩小peak_threshold或者增大edge_threshold，或者修改recons truction options参数，仍然不能用上全部160张图。(强迫症难受>.< 另外，对比可视化结果，你的图中点云结果还要更稠密一些。所以我想再请教一下，还需要修改哪些参数才能达到跟你的结果类似的效果呢？
那不应该，我建议你调整一下colmap的参数，--ImageReader.single_camera 0 --ImageReader.camera_model PINHOLE --SiftExtraction.peak_threshold 0.001 --SiftExtraction.edge_threshold 80
谢谢你给的参数，现在colmap可以用到158张图以及得到3万多个点了。
但是我再继续缩小peak_threshold或者增大edge_threshold，或者修改recons truction options参数，仍然不能用上全部160张图。(强迫症难受>.< 另外，对比可视化结果，你的图中点云结果还要更稠密一些。所以我想再请教一下，还需要修改哪些参数才能达到跟你的结果类似的效果呢？
或许你可以尝试一下添加--SiftMatching.guided_matching 1 ，你这个是应该不是stereo_fusion之后的结果吧，看起来很稀疏
那不应该，我建议你调整一下colmap的参数，--ImageReader.single_camera 0 --ImageReader.camera_model PINHOLE --SiftExtraction.peak_threshold 0.001 --SiftExtraction.edge_threshold 80
谢谢你给的参数，现在colmap可以用到158张图以及得到3万多个点了。
但是我再继续缩小peak_threshold或者增大edge_threshold，或者修改recons truction options参数，仍然不能用上全部160张图。(强迫症难受>.< 另外，对比可视化结果，你的图中点云结果还要更稠密一些。所以我想再请教一下，还需要修改哪些参数才能达到跟你的结果类似的效果呢？
或许你可以尝试一下添加--SiftMatching.guided_matching 1 ，你这个是应该不是stereo_fusion之后的结果吧，看起来很稀疏
是的，我没有做稠密重建，只用了稀疏重建。我试了下guided_matching，发现结果确实变好了。太感谢你的指点了～
If you look at the camera positions on the colmap, you'll notice that all the cameras are positioned facing forward. I suspect that the skirt's single color and limited features lead to poor feature matching, causing many cameras to fail.
If you look at the camera positions on the colmap, you'll notice that all the cameras are positioned facing forward. I suspect that the skirt's single color and limited features lead to poor feature matching, causing many cameras to fail.
我跟你想得一样，主要还是特征提取和匹配得不行。之前我把数据集都试了一下，用colmap重建的结果都不太理想。
If you look at the camera positions on the colmap, you'll notice that all the cameras are positioned facing forward. I suspect that the skirt's single color and limited features lead to poor feature matching, causing many cameras to fail.
我跟你想得一样，主要还是特征提取和匹配得不行。之前我把数据集都试了一下，用colmap重建的结果都不太理想。
用nerfstudio效果很好
If you look at the camera positions on the colmap, you'll notice that all the cameras are positioned facing forward. I suspect that the skirt's single color and limited features lead to poor feature matching, causing many cameras to fail.
我跟你想得一样，主要还是特征提取和匹配得不行。之前我把数据集都试了一下，用colmap重建的结果都不太理想。
用nerfstudio效果很好
谢谢提醒～nerfstudio是用nerf类的方法来重建的吧。我是用colmap稀疏重建好再用3DGS重建的，但是colmap这一步很难把这个数据集的所有视角图片都匹配上。