MiniGaussianSplatting

Implementación de un pipeline simplificado de 3D Gaussian Splatting,
desarrollado como Trabajo del Máster en Sistemas Inteligentes y Aplicaciones
Numéricas en Ingeniería (SIANI) – ULPGC, curso 2025/2026.

Autor: Acaymo Jesús Granado Sánchez
Asignatura: Programación y Prototipado
Fecha: Enero 2026

Este proyecto implementa desde cero un pipeline funcional inspirado en 3D Gaussian Splatting, combinando C++ (renderizado) y MATLAB (optimización).

A diferencia de implementaciones industriales, esta versión:

• Utiliza gaussianas 3D simplificadas.
• Realiza la optimización mediante gradientes por diferencias finitas.
• Está pensada como herramienta experimental y de aprendizaje.

---

Estructura del proyecto

MiniGaussianSplatting/
├── cpp/
│ ├── image.cpp
│ ├── image.h
│ ├── render_mex.cpp
│ ├── render_mex.mexw64 (MEX ya compilado para Windows)
│ └── stb_image_write.h
│
├── data/
│ ├── cameras.mat
│ └── targets/
│ ├── cam01.png
│ ├── cam02.png
│ ├── cam03.png
│ ├── cam04.png
│ ├── cam05.png
│ ├── cam06.png
│ ├── cam07.png
│ └── cam08.png
│
├── matlab/
│ ├── utils/
│ │ ├── create_camera_ring.m
│ │ ├── generate_multiview_dataset.m
│ │ ├── plot_initial_scene.m
│ │ ├── plot_training_progress.m
│ │ ├── plot_trajectories.m
│ │ ├── print_iteration_info.m
│ │ └── print_final_results.m
│ │
│ ├── compute_metrics.m
│ ├── setup_paths.m
│ └── train_multiview.m
│
├── python/
│ └── create_videos_from_renders.py
│
└── results/
├── renders/
└── videos/

---

Flujo de ejecución

1. Preparar el entorno en MATLAB

Desde la raíz del proyecto:

setup_paths

2. Generar un dataset multivista sintético

Antes de entrenar, ejecuta:

generate_multiview_dataset

Este script:

• Crea un anillo de cámaras alrededor de la escena.
• Genera imágenes objetivo multivista.
• Guarda las imágenes en data/targets/.
• Guarda las cámaras en data/cameras.mat.

3. Entrenamiento

Una vez generado el dataset:

train_multiview

Este script:

• Inicializa un conjunto de gaussianas.
• Selecciona vistas aleatoriamente.
• Renderiza mediante el MEX en C++.
• Calcula la función de pérdida (L1 + D-SSIM).
• Estima gradientes por diferencias finitas.
• Actualiza posición y escala de las gaussianas.
• Guarda renders intermedios en results/renders/.

4. Generar un vídeo del entrenamiento (opcional)

Desde la carpeta python/:

python create_videos_from_renders.py

Esto genera vídeos en results/videos/ a partir de los renders.