环境配置

总体环境可以复用MVSNet的conda环境，激活MVSNet的conda环境后做如下修改

  1. 在​​install_dependencies.sh​​中选择当前没安装过的手动安装，不建议直接执行shell文件(比如cuda的版本可能出问题)
  2. ​​pip install -r requirements.txt​​

注意官方shell里最后一行少了后缀名

  1. 运行​​compile.sh​​进行编译

PointMVSNet跟其他MVS方法有很大区别在于它的代码有C的部分，而且需要链接和编译，整体架构也离主脉络较远，但也要钦佩作者不循规蹈矩的勇气

【编译的一些问题】

  • 可能会报错​​TH_INDEX_BASE​​找不到，全剧搜索这个变量将其改为0即可
  • ​​gather_knn_kernel.cu​​​可能会报错​​AT_CHECK​​​找不到，将​​CHECK​​开头所有宏函数的定义和使用都注释掉能成功编译

Train

  1. 在​​dtu_wde3.yaml​​中修改数据集路径

其他参数可以不用动

  1. 推荐把​​CHECKPOINT_PERIOD​​改为1，默认4次才保存模型
  2. 如果想指定输出的位置，可以在第一行(DATA外面)指定​​OUTPUT_DIR​​
  3. 运行​​train.sh​​即可
  4. 需要查看tensorboard，修改​​tensorboard.sh​​里的位置运行该文件即可

Test / Eval

  1. 跟MVSNet很不一样，首先要下载DTU Rectified部分的数据集，有121G(sad…)，然后新建​​Eval​​​，把这个文件夹方金曲，最后再把​​Eval​​​这个文件夹放到​​train/dtu/​​​里，跟​​Cameras​​​, ​​Depths​​​, ​​Rectified​​并列，最终的文件结构如下：
.
├── Cameras
│   ├── train/
│   ├── 00000000_cam.txt
│   ├── pair.txt
│   └── ...
├── Depths
│   └── scan1_train/
│   └── ...
├── Eval
│   └── Rectified
│       ├── scan1/
│       │   ├── rect_001_0_r5000.png
│       │   └── ...
│       └── ...
└── Rectified
    └── scan1/
    └── ...
  1. 修改​​.yaml​​​里​​TEST.WEIGHT​​​的位置，运行​​test.sh​​即可
  2. 注意运行​​test.py​​​时必须指定只使用单GPU​​CUDA_VISIBLE_DEVICES=0​​​，否则会报错​​TypeError: forward() missing 3 required positional arguments: 'data_batch', 'img_scales', and 'inter_scales'​​
  3. 最终的输出结果会在数据集​​Eval/​​里

fusion

【报错：Error: no kernel image is available for execution on the device】