四步从照片到带纹理网格：3D 高斯泼溅工具 Spirula Studio 零依赖上手教程

【免费下载链接】spirula-studioCross-vendor 3D Gaussian Splatting trainer - video to splat to mesh, Vulkan or CUDA.项目地址: https://gitcode.com/GitHub_Trending/sp/spirula-studio

Spirula Studio 是一款跨厂商 GPU 运行的 3D 高斯泼溅训练工具：单个二进制spirula跑通从照片视频采集、稀疏位姿重建、splat 训练到带纹理网格导出的全流程，Vulkan 与 CUDA 双后端，全程不依赖 Python 环境。

三分钟上手

最快的路是预编译版：从项目 Releases 页选对应平台（Windows / Linux / macOS）的版本包，解压后双击，图形界面直接打开，零配置。

如果坚持源码构建，一条命令就够（Windows 下对应build_develop.bat）：

bash build_develop.bash -DSS_BACKEND=vulkan

SS_BACKEND有两个取值：Vulkan 跑在 NVIDIA、AMD、Intel、Apple 显卡上，是通用选择；CUDA 面向 NVIDIA。构建完成后，双击spirula进 GUI，或在终端敲./build_vulkan/spirula --help看全部子命令——训练、SfM 重建、AI 遮罩、网格化都挂在这一个可执行文件下。得益于量化训练，8GB 显存也装得下 1000 万个 SH3 高斯。

先准备好什么数据

数据能不能被打开，取决于你的目录长什么样。程序按 Nerfstudio → COLMAP → Metashape 的顺序探测布局，命中谁就用谁，你只需在数据集根目录放好这些内容：

• 图片放在images/，遮罩、深度、法线分别放masks/、depths/、normals/，按文件名对应
• COLMAP 稀疏模型自动在sparse/0、colmap/sparse/0、sparse等位置探测，多个模型时取注册图片最多的
• 种子点云可选：没有点云时解析只得到相机位姿，训练器会自动随机播种，不报错
• 鱼眼、360° 等距圆柱、完整畸变模型原生支持，直接加载训练，无需去畸变
• Metashape 的.psx工程在 Align Photos 之后保存即可直接打开；目录里有多个.xml/.psx时用--metashape-xml指名

拿不准就逐项对照 docs/datasets.md，遮罩规则、相机模型和 360° 约定都写在那里。

跑通第一次训练

GUI 与 CLI 两个入口指向同一个训练会话，第一次训练两条路都通顺。

GUI 路线：主界面点Open a Dataset（或Create Dataset from Photos/Video从照片视频直接建数据集），选预设、勾几个基础选项，按Start Training，原生视口里实时看结果，产物默认写入<数据集>/outputs。

CLI 路线：

./build_vulkan/spirula train 3dgs --data my_dataset

3dgs是默认预设，另有几个内置预设：360-camera（环拍相机）、hdr（高动态范围场景）、synthetic（合成数据）、meshing（为后续网格化调优）。显存吃紧就加train_resolution_divisor缩小训练分辨率，和 GUI 的 Image resolution 选项是同一个开关。

远程或长时间训练还有三个习惯值得养成：Spirula Studio 默认在 7007 端口起一个 Web 查看器，云端 GPU 用 SSH 端口转发就能在浏览器里盯进度；中断后接上一次的运行目录用--resume，Ctrl-C 中断也会存下可续训的 checkpoint；手头有一份不错的 PLY 时用--init-ply暖启动。每个标志的含义由spirula train --help逐条列出，帮助文本含简体中文在内的多语言版本。

黑盒里装了什么

仓库目录结构不必全背，分三组看就够了。

• 动手前必看：src/config/TrainConfig.h 是全部训练标志的单一事实来源；docs/datasets.md 是数据契约
• 用到再看：src/engine/（训练引擎，纯 C++ 驱动层）、src/kernels/（投影、光栅化、密度优化、损失等 GPU 核）、src/data/（数据集管理器与三种格式解析器）、src/app/（唯一的spirula可执行文件：CLI、原生 GUI、Web 查看器）、src/sfm/（内置运动恢复结构）、src/mesh/（网格化管线）
• 可先忽略：src/sam/与src/nn/（AI 遮罩与 GPU 推理层）、viewer/（独立 WebGL2/WASM 查看器）、reference/scripts/（独立 Python 预处理脚本）、src/instantiations/（构建期生成代码，已提交入库）

配置单一来源这一点值得单独说。所有标志只在 TrainConfig.h 的一张 X-macro 表里定义一次，CLI 参数、--help文本、GUI 选项编辑器、运行时的config.json全部从这张表展开。相当于系统里的一张配置总表，每个开关都指向同一页，四处入口天然不会互相漂移。

卡住了先看这里

训练卡住时，先排除环境问题吗？多数情况不用，先对照这张表：

涉及两个后端的能力差异（比如内置 SfM 只在 Vulkan 构建里），查 docs/backends.md。

跑通之后还能做什么

第一个 splat 出来后，剩下的工具链都在手边。视频抽帧自动挑每段里最清晰的帧，支持按运动自适应的抽帧率——静止片段少抽、快速移动片段多抽；spirula sfm输出 COLMAP 兼容的sparse/稀疏模型；内置 SAM 遮罩能去掉手部、背景这类干扰物；然后训练；最后spirula mesh输出 PLY、OBJ、GLB 或 STL，全程支持顶点色与烘焙纹理贴图。

两处长期用得上的地方：viewer/目录是一个独立于训练的 WebGL2/WASM 在线查看器；reference/scripts/里的抽帧、降采样、去畸变等 Python 脚本是手工跑的预处理，不进主流程。想再深入，src/app/README.md 记录了 CLI 与 GUI 的预设和配置表，docs/下还有架构、数据集、测试等文档。

结尾

一个二进制、零 Python 依赖、跨厂商 GPU，Spirula Studio 把 3D 高斯泼溅的门槛压到了"数据放好、按下开始"。

今天就能做的动作：挑一组你熟悉物体的照片放进images/，用 GUI 的Create Dataset from Photos/Video建数据集，选3dgs预设开始训练——等这段文字读完，第一个 splat 应该已经在屏幕上。

【免费下载链接】spirula-studioCross-vendor 3D Gaussian Splatting trainer - video to splat to mesh, Vulkan or CUDA.项目地址: https://gitcode.com/GitHub_Trending/sp/spirula-studio