m0_62577716的博客

（相机模型、参数和各个坐标系(世界坐标系、相机坐标系、归一化坐标系、图像坐标系、像素坐标系之间变换））（OpenGL 投影矩阵与摄像机内参的关系）（NeRF代码解读-相机参数与坐标系变换）（相机内外参及仿射变换与变换矩阵的理解）（Nerf的右手三维坐标系）

原因：是由于NumPy版本不兼容导致的。具体来说，环境中安装了NumPy 2.2.3，而某些模块（如Matplotlib）可能尚未完全兼容NumPy 2.x版本。解决：升级相关模块Matplotlib到最新版本，以确保它与NumPy 2.x兼容。运行pip install --upgrade tyro，没用，还是报同样的错。运行命令（偶尔会因为网络问题报错，运气好就能成功）4、安装kplanes-nerfstudio。2、安装最新版的nerfstudio。3、安装tinny-cuda-nn。

使用以下两个python文件：colmap_read_model.py和preprocess_llff.py。2、在colmap下进行三维重建，获得spare/0/下相关文件。3、运行llff得到pose.npy文件。4、llff格式转DTU数据。1、选择500张图片。

隐式建模通过神经网络将场景表示为连续函数。输入是空间坐标和时间，输出是该坐标在特定时间的属性（如颜色、密度等）。MLP通过学习这些映射关系，能够从任意视角或时间点生成场景。基于MLP（多层感知机）对动态场景进行隐式建模，是指利用MLP神经网络来学习动态场景的隐式表示，而非显式地存储或描述场景的几何和外观信息。显式建模则直接存储场景的几何和外观信息，如点云、网格或体素。这些方法明确记录场景的每个部分，适合需要精确几何信息的任务。优点：场景表示为连续函数，适合插值和生成新视角。适用于复杂动态场景的建模。

原本的相机位姿矩阵是4x4的（包括旋转和位移），而我们关心的是相机的旋转部分（3x3）和位移部分（1x3）。示例数据中，图像ID为1的图像使用了四元数`(0.9966, -0.0797, 0.0181, -0.0050)`表示旋转，平移向量为`(-0.0933, -0.5783, -1.4142)`，相机ID为1，图像名称为`00204549_3820006713.jpg`，，使其符合特定的坐标系约定（从[r, -u, t]转换为[-u, r, -t]），以便后续使用。

写于2025/1/26，在用NeRF训练自己的数据集过程中该踩的坑都踩过了，发现网上并没有详细完整写这些问题解决过程的帖子，遂自己进行一个全记录和复盘。整篇文章包括：NeRF训练环境配置；COLMAP三维重建过程（直接给出代码，规避一些bug）；在训练时候出现的问题。本篇文章仅针对llff格式数据集。

解决：在run_nerf.py的682行前加了以下内容（需要根据自己数据集情况修改）原因：应该是rays维度和images维度不匹配。2、问题二：再次运行后提示。1、问题一：运行后提示。Step3：检查版本。