sdfstudio
SDFStudio 是一个基于 Nerfstudio 构建的开源框架，专注于神经隐式表面重建。它旨在解决当前该领域算法分散、实现不统一的问题，为研究人员和开发者提供了一个模块化且高度集成的实验平台。
通过统一实现 UniSurf、VolSDF 和 NeuS 等主流方法，SDFStudio 让用户能够轻松对比不同算法的效果。其核心亮点在于极强的灵活性与组合能力：不仅支持 MLP、三平面及多分辨率特征网格等多种场景表示方式，还集成了单目深度线索（MonoSDF）、几何正则化及多视图一致性等前沿技术。得益于模块化设计，用户可以像搭积木一样将不同方法的创新点相互迁移，例如快速构建结合单目先验的 NeuS 变体，极大降低了复现和改进算法的门槛。
此外，SDFStudio 持续跟进最新进展，已整合了 BakedSDF 和 Neuralangelo 等高效训练策略。它特别适合计算机视觉领域的研究人员、算法工程师以及希望深入探索 3D 重建技术的高级开发者使用。无论是进行学术对比实验，还是开发自定义的重建流程，SDFStudio 都能提供坚实的基础设施支持，帮助用户更高效地生成高质量的三维表面模型。
使用场景
某自动驾驶团队需要利用车载多视角相机数据，快速重建高保真的城市街道三维表面模型，以用于仿真测试和路径规划。
没有 sdfstudio 时
- 框架割裂严重：团队成员若想对比 UniSurf、VolSDF 和 NeuS 三种主流算法，必须分别克隆三个独立的代码库，环境配置重复且极易冲突。
- 创新迁移困难：试图将单目深度先验（MonoSDF）引入 NeuS 架构时，因底层数据结构不兼容，需重写大量数据加载与采样逻辑，耗时数周。
- 场景表达单一：默认实现仅支持基础 MLP 网络，难以灵活切换至 Tri-plane 或多分辨率特征网格，导致在大规模街景重建中显存爆炸或细节丢失。
- 调试成本高昂：不同方法间的采样策略（如表面引导采样）无法统一可视化，排查几何伪影时只能靠猜，缺乏统一的调试视图。
使用 sdfstudio 后
- 统一实验平台：基于 nerfstudio 构建的模块化架构，让团队只需一套环境即可一键切换并训练 UniSurf、VolSDF 及 NeuS 等多种算法，效率提升十倍。
- 想法即插即用：得益于解耦设计，研究人员轻松将 MonoSDF 的单目线索模块“嫁接”到 NeuS 上（即 Mono-NeuS），几天内便验证了新组合在弱纹理区域的重建效果。
- 灵活场景适配：自由组合 MLP、Tri-plane 等不同场景表示与体素引导采样策略，成功在有限显存下完成了高精度、大范围的街道模型重建。
- 可视化全流程：内置的统一查看器实时呈现几何正则化与多视角一致性效果，团队能直观定位并修复表面噪声，大幅缩短迭代周期。
sdfstudio 通过打破算法壁垒，让三维重建研究从繁琐的工程拼凑转向高效的创新组合。
运行环境要求
- 未说明 (基于 PyTorch 和 CUDA 环境，通常支持 Linux)
必需 NVIDIA GPU，需安装 CUDA (测试版本为 11.3)，需支持 tiny-cuda-nn
未说明
快速开始
用于表面重建的统一框架
项目页面 | 文档 | 数据集 | 示例
关于
SDFStudio 是一个基于强大的 nerfstudio 项目构建的、用于神经隐式表面重建的统一且模块化的框架。我们提供了三种主要隐式表面重建方法的统一实现：UniSurf、VolSDF 和 NeuS。SDFStudio 还支持多种场景表示方式，例如 MLP、Tri-plane 和多分辨率特征网格，并提供多种采样策略，如 UniSurf 中的表面引导采样以及 NeuralReconW 中的体素-表面引导采样。此外，它还整合了该领域的最新进展，例如单目线索的利用（MonoSDF）、几何正则化（UniSurf）和多视角一致性（Geo-NeuS）。得益于统一且模块化的实现，SDFStudio 使得将一种方法的思想迁移到另一种方法变得十分容易。例如，Mono-NeuS 将 MonoSDF 的思想应用到了 NeuS 上，而 Geo-VolSDF 则将 Geo-NeuS 的思想应用到了 VolSDF 上。
更新
2023.06.16: 添加 bakedangelo，它结合了 BakedSDF 与数值梯度以及 Neuralangelo 的渐进式训练。
2023.06.16: 添加 neus-facto-angelo，它结合了 neus-facto 与数值梯度以及 Neuralangelo 的渐进式训练。
2023.06.16: 支持 Neuralangelo。
2023.03.12: 支持 BakedSDF。
2022.12.28: 支持 Neural RGB-D Surface Reconstruction。
快速入门
1. 安装：设置环境
先决条件
系统必须安装 CUDA。本库已在版本 11.3 上进行了测试。有关 CUDA 安装的更多信息，请参阅 此处。
创建环境
SDFStudio 需要 python >= 3.7。我们建议使用 conda 来管理依赖项。请确保在继续操作之前已安装 Conda。
conda create --name sdfstudio -y python=3.8
conda activate sdfstudio
python -m pip install --upgrade pip
依赖项
安装带有 CUDA 的 PyTorch（本仓库已在 CUDA 11.3 上测试过）以及 tiny-cuda-nn。
pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 -f https://download.pytorch.org/whl/torch_stable.html
pip install git+https://github.com/NVlabs/tiny-cuda-nn/#subdirectory=bindings/torch
安装 SDFStudio
git clone https://github.com/autonomousvision/sdfstudio.git
cd sdfstudio
pip install --upgrade pip setuptools
pip install -e .
# 安装 Tab 补全功能
ns-install-cli
2. 训练你的第一个模型
以下将训练一个 NeuS-facto 模型，
# 下载一些测试数据：如果你的系统没有 curl，可能需要先安装
ns-download-data sdfstudio
# 在 dtu 数据集 scan65 上训练模型
ns-train neus-facto --pipeline.model.sdf-field.inside-outside False --vis viewer --experiment-name neus-facto-dtu65 sdfstudio-data --data data/sdfstudio-demo-data/dtu-scan65
# 或者你也可以在 Replica 数据集 room0 上训练带有单目先验的模型
ns-train neus-facto --pipeline.model.sdf-field.inside-outside True --pipeline.model.mono-depth-loss-mult 0.1 --pipeline.model.mono-normal-loss-mult 0.05 --vis viewer --experiment-name neus-facto-replica1 sdfstudio-data --data data/sdfstudio-demo-data/replica-room0 --include_mono_prior True
如果一切顺利，你应该会看到如下训练进度：
导航到终端末尾的链接将加载由 nerfstudio 开发的网页查看器。如果你是在远程机器上运行，你需要将 WebSocket 端口（默认为 7007）进行端口转发。使用 RTX3090 GPU，在 2 万次迭代中大约需要 15 分钟，但在网页查看器中，仅经过 2 千次迭代就能看到较为合理的重建结果。
从检查点恢复 / 可视化现有运行
也可以通过运行以下命令来加载预训练模型：
ns-train neus-facto --trainer.load-dir {outputs/neus-facto-dtu65/neus-facto/XXX/sdfstudio_models} sdfstudio-data --data data/sdfstudio-demo-data/dtu-scan65
这将自动恢复训练。如果你不想恢复训练，可以在训练命令中添加 --viewer.start-train False。请注意命令顺序很重要，数据解析子命令必须放在模型子命令之后。
3. 导出结果
一旦你有了训练好的模型，就可以导出网格并渲染该网格。
提取网格
ns-extract-mesh --load-config outputs/neus-facto-dtu65/neus-facto/XXX/config.yml --output-path meshes/neus-facto-dtu65.ply
渲染网格
ns-render-mesh --meshfile meshes/neus-facto-dtu65.ply --traj interpolate --output-path renders/neus-facto-dtu65.mp4 sdfstudio-data --data data/sdfstudio-demo-data/dtu-scan65
如果一切正常，你将得到如下视频。
渲染视频
首先，我们需要为相机创建一条路径。这可以在查看器的“RENDER”选项卡中完成。将你的 3D 视图调整到你希望视频开始的位置，然后点击“ADD CAMERA”。这将设置第一个关键帧。继续添加其他相机以创建相机路径。我们还提供了其他参数来进一步优化你的相机路径。满意后，点击“RENDER”，将会弹出一个包含渲染视频所需命令的模态窗口。结束当前的训练任务（或者如果你有充足的计算资源，可以打开一个新的终端），然后执行生成视频的命令。
要查看所有视频导出选项，请运行：
ns-render --help
4. 高级选项
训练除 NeuS-facto 之外的其他模型
我们提供了许多除 NeuS-facto 外的其他模型，详情请参阅 文档。例如，如果你想训练原始的 NeuS 模型，可以使用以下命令：
ns-train neus --pipeline.model.sdf-field.inside-outside False sdfstudio-data --data data/sdfstudio-demo-data/dtu-scan65
要查看所有包含的模型列表，请运行 ns-train --help。有关每种方法的更详细说明，请参阅 文档。
修改配置
每个模型包含许多可更改的参数，数量过多在此无法一一列出。请使用 --help 命令查看完整的配置选项列表。
请注意，参数的顺序很重要！例如，您不能在 --data 参数之后设置 --machine.num-gpus。
ns-train neus-facto --help
[点击查看输出]
TensorBoard / WandB
Nerfstudio 支持三种不同的方法来跟踪训练进度：使用查看器、TensorBoard 和 Weights and Biases。这些可视化工具同样可以在 SDFStudio 中使用。您可以通过在训练命令后添加 --vis {viewer, tensorboard, wandb} 来指定要使用的可视化工具。请注意，一次只能使用其中一种。此外，查看器仅适用于速度快的方法（如 NeuS-facto 和 NeuS-acc），而对于较慢的方法（如 NeuS-facto-bigmlp），则应使用其他日志记录工具。
5. 使用自定义数据
如果您希望使用自定义数据集，请参阅 数据集 和 数据格式 文档。
构建基础
- 一个协作友好的 NeRF 工作室
- 由 nerfstudio 团队 开发
- 易于使用的配置系统
- 由 Brent Yi 开发
- 用于加速 NeRF 渲染的库
- 由 Ruilong Li 开发
引用
如果您使用了本库或发现文档对您的研究有所帮助，请考虑引用以下内容：
@misc{Yu2022SDFStudio,
author = {Yu, Zehao and Chen, Anpei and Antic, Bozidar and Peng, Songyou and Bhattacharyya, Apratim
and Niemeyer, Michael and Tang, Siyu and Sattler, Torsten and Geiger, Andreas},
title = {SDFStudio: A Unified Framework for Surface Reconstruction},
year = {2022},
url = {https://github.com/autonomousvision/sdfstudio},
}
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。