Referência · Tanks and Temples
Reconstruindo Train: 301 fotos, três plataformas
Todas as 301 fotos de entrada foram registradas na execução gravada do Mac de Train. A reconstrução mantém números de locomotivas legíveis, divisões de painéis e grades. No Mac, Linux e Windows, cada execução registra PSNR e SSIM superiores e LPIPS inferiores aos valores correspondentes no artigo de pesquisa 3DGS original. As comparações abaixo conectam esses resultados aos detalhes visíveis da cena.
Inspecione a reconstrução de três pontos de vista
Esses pares de referência/renderização vêm da mesma avaliação do Mac. Comece com a frente e o corpo, mude para a visão oblíqua para uma disposição mais ampla e, em seguida, inspecione a lateral. Mova o divisor para comparar recursos individuais, com a foto de referência à esquerda e a renderização à direita.
Mac · view-000009 · Frente e corpo
Os números 713, as costuras dos painéis, as grelhas de ventilação e os degraus frontais permanecem identificáveis na vista reconstruída.
Mac · view-000057 · Visão geral oblíqua
A vista oblíqua mostra a disposição das locomotivas, a direção dos trilhos e a frente listrada do tema principal.
Mac · view-000249 · Textura lateral
Letras grandes, grades e o longo corrimão são mantidos nas laterais, juntamente com variações visíveis na pintura desgastada.
De marcações pintadas a grades estreitas
Números e letras são referências úteis de textura. Grades e costuras de painéis expõem estruturas repetidas, enquanto degraus e grades mostram contornos estreitos e peças sobrepostas. Juntos, eles demonstram detalhes retidos em diversas escalas no formato geral da locomotiva.
Ambos os close-ups usam a vista frontal e corporal, com o mesmo corte e ampliação aplicados à referência e à renderização.
Métricas de imagem em três plataformas
Cada plataforma testada registra PSNR e SSIM superiores e LPIPS inferiores aos valores relatados no artigo de pesquisa. LPIPS é 29,5%–29,9% menor nessas execuções. Ele mede a distância entre os recursos perceptivos da imagem, portanto a porcentagem descreve uma redução nessa métrica; não é um ganho percentual na qualidade percebida da imagem.
| Resultado | PSNR↑ / dB | SSIM ↑ | LPIPS ↓ |
|---|---|---|---|
| 3DGS artigo de pesquisa (relatado) | 21.097 | 0.8020 | 0.2180 |
| MakeWorlds Studio · Mac | 21.227Δ +0.130 | 0.8463Δ +0.0443 | 0.1537Δ −0.0643 |
| MakeWorlds Studio · Linux | 21.282Δ +0.185 | 0.8479Δ +0.0459 | 0.1528Δ −0.0652 |
| MakeWorlds Studio · Windows | 21.205Δ +0.108 | 0.8468Δ +0.0448 | 0.1530Δ −0.0650 |
Os valores de referência são os resultados de 30.000 etapas nas Tabelas 7–9 do apêndice do artigo de pesquisa 3DGS original. A tabela abrange todas as visualizações de teste. MakeWorlds Studio estima suas próprias câmeras e sua configuração de comparação difere do experimento do artigo de pesquisa. Condições de comparação e escopo Leia o artigo de pesquisa · Tanks and Temples
Condições e fontes de teste
- Entrada
- 301 fotos de entrada; todos registrados na execução gravada do Mac
- Configurações
- Camada média, resolução de origem, 30.000 etapas
- Hardware
- Mac: Apple M4 Max; Linux e Windows: NVIDIA RTX 4090
- Avaliação Mac
- 19 visualizações de teste fixas, utilizando câmeras solucionadas pelo produto.
- Imagens
- Visualizações de teste Mac selecionadas view-000009, view-000057 e view-000249, emparelhando renderizações e fotografias originais da mesma avaliação.
O que este caso demonstra
Esta execução Train conecta o registro completo das fotografias de entrada com uma reconstrução cujos números, estrutura corporal e componentes estreitos podem ser verificados em relação às imagens de origem. Os resultados das três plataformas apoiam a mesma direção positiva nas métricas de imagem. Para o trabalho de gravação de cena, essas correspondências individuais fornecem evidências concretas da aparência e do layout do sujeito reconstruído.
Train é um caso positivo selecionado deste lote de avaliação. As estimativas da câmera, os conjuntos de visualização de teste e o pipeline completo não foram comparados ao artigo de pesquisa, portanto, os deltas fornecem contexto da literatura em vez de uma classificação de algoritmo controlada. Este artigo avalia a fidelidade da imagem; a qualidade do movimento da câmera, a precisão dimensional e o desempenho do tempo de execução exigem verificações separadas. A vegetação distante e a textura fina do solo ainda apresentam suavização nos pares de imagens.