Kapitel 7 — Indbyggede kvalitets-forudindstillinger

HVOR

Inspector → Presets-sektion → gruppe „Classic" → post „Quick". UUID-suffiks …001.

TEKNISK

Diagnose-preset med 1 000 iterationer, klassisk (adaptiv) densification-strategi og en træningsopløsnings-skalering på 0.25× (input-billedet formindskes til 25 % før træningen). Skal ikke bruges til levering af en scene, men hurtigt finde ud af, om opsætningen (kamerapositioner, punktsky, billed-serie) overhovedet viser meningsfuld bevægelse i loss-værdierne. På en M3 Ultra typisk under 30 sekunder på 50–200 billeder. Den lille opløsning tilslører den ægte billedkvalitet, men holder hukommelses-forbrug og render-arbejde meget lavt. Vælges også automatisk som default ved første start, hvis systemet har mindre end 10 GB RAM.

HVOR

Inspector → Presets-sektion → gruppe „Classic" → post „Preview". UUID-suffiks …002.

TEKNISK

5 000 iterationer Classic-densification, 0.5× opløsnings-skalering, dobbelte læringsrater i forhold til standard. Densification (klon + split) er aktiv over de første 2 500 iterationer, derefter kun pruning. Default-preset for systemer med ≥ 10 GB RAM. På en M3 Ultra typisk 90 sekunder til 3 minutter på en 200-billed-scene. Giver et brugbart indtryk af geometrien og kamera-posen, men teksturer er tydeligt blødtegnet — 0.5× render-opløsningen lader sig ikke direkte omgå ved at træne igen med P3 eller P4, fordi læringsraterne er kalibreret til den halve opløsning.

HVOR

Inspector → Presets-sektion → gruppe „Classic" → post „Balanced". UUID-suffiks …005.

TEKNISK

20 000 iterationer Classic-densification ved fuld billed-opløsning. Densification kører over de første 15 000 iterationer, fra iter 3 000 med et densify-interval på 100. Empirisk det „sweet spot" fra de dokumenterede trænings-sessioner: ved klassisk densification på Horse Full og Truck stabiliseres L1-loss mellem iter 18 000 og 22 000, en længere træning giver ikke længere signifikant forbedring under Quality (P4). På en M3 Ultra typisk 30–60 sekunder på 200 billeder, 5–8 minutter på 1 000+ billeder.

HVOR

Inspector → Presets-sektion → gruppe „Classic" → post „Quality". UUID-suffiks …003.

TEKNISK

35 000 iterationer Classic-densification med V546-„Opacity Decay" (HTGS, Eurographics 2025): efter hver densify-cyklus multipliceres opacity af alle eksisterende gaussians med en faktor < 1.0, hvilket pålideligt fjerner gaussians, der er blevet inaktive, ved pruning og dermed opnår 14 % bedre L1-loss end den klassiske 35 000-kørsel ved samme iter-antal. SSIM-loss er aktiveret (ssimWeight=0.05). På en M3 Ultra typisk 2–4 minutter på 200 billeder. Leverer på NeRF-Blender (Lego, Chair, Drums) final L1 ≈ 0.023 — bedste Classic-variant i de 560+ dokumenterede eksperimenter. Bemærk: kræver ~3–5 GB GPU-hukommelse; på 8-GB-systemer er P3 det sikre valg.

HVOR

Inspector → Presets-sektion → gruppe „MCMC" → post „Preview". UUID-suffiks …006.

TEKNISK

60 000 iterationer MCMC-densification (3DGS-MCMC, NeurIPS 2024) ved et cap på 100 000 gaussians. MCMC erstatter den heuristiske klon/split-logik med Markov-Chain-Monte-Carlo-relocation: døde gaussians placeres på ny via sigmoid-vægtede sampling-dybder, hvilket giver et kontrolleret og reproducerbart antal gaussians. Cap'et lægger låg på det maksimale antal hårdt ved 100K — det sparer hukommelse og render-tid, men koster detalje. På en M3 Ultra typisk 5–8 minutter på 200 billeder. Egnet som „MCMC-funktionstest" — hjælper med at vurdere, om et skift fra Classic til MCMC ville være meningsfuldt, før du investerer mere tid i P6 eller P7.

HVOR

Inspector → Presets-sektion → gruppe „MCMC" → post „Balanced". UUID-suffiks …007.

TEKNISK

120 000 iterationer MCMC ved et cap på 150 000 gaussians. Det mellemste MCMC-trin — næsten det endelige gaussian-antal fra P7 Quality, men kun 60 % af iterationerne. Empirisk ligger L1-loss i de dokumenterede trænings-sessioner på 0.026–0.028 på Horse Full, mod P7 med 0.0246 — altså rundt 7 % højere, til gengæld halv ventetid. På en M3 Ultra typisk 8–15 minutter på 200 billeder. Bruger en metode, der skalerer det effektive gaussian-cap til punktdensiteten i input-SfM-punktskyen (se T75 i kapitel 6).

HVOR

Inspector → Presets-sektion → gruppe „MCMC" → post „Quality". UUID-suffiks …004.

TEKNISK

200 000 iterationer MCMC ved et cap på 150 000 gaussians, SSIM-loss 0.05, MCMC-noise-decay over 80 % af iterationerne. Best-single-run-L1 i de 560+ eksperimenter: 0.0238 på Horse Full, gennemsnit over 3 trials 0.0246 (mod P4 0.0230 på samme scene). MCMC leverer samtidig 71 % færre gaussians (150K vs ~524K) — afgørende, hvis du vil levere resultatet på nettet, fordi den mindre sky giver markant mindre eksport-filer. Træningstid på en M3 Ultra typisk 20–35 minutter på 200 billeder; på 1 000+ billed-sæt nærmere 1–2 timer. Bedste valg, hvis maksimal billedkvalitet ved minimal slutstørrelse ønskes.

HVOR

Inspector → Presets-sektion → gruppe „Scene-Class" → post „Render (3D)". UUID-suffiks …700.

TEKNISK

Scene-Class-preset til billedsyntetiske / CGI-agtige scener (NeRF-Blender, Mip-NeRF 360 Flowers, Blender-renderede testsæt). Q7-BayesOpt-sweep (trial T10 på flowers, seed 7, budget 20) fandt: mcmcMaxGaussians=1 189 511, mcmcCapMultiplier=2.98, ssimWeight=0.051, densifyGradThreshold=3.34e-06, mcmcNoiseScale=5.61e-05. Δ +0.36 dB PSNR i forhold til Quality-MCMC-baseline (17.67 → 18.03). Mip-splatting er bevidst slået fra (Q1.5-„closed no-win"-verdict 2026-05-25), sky-dome ligeledes slået fra (syntetiske scener har ingen rigtig himmel). Hoved-håndtaget er den 8× større gaussian-overgrænse — syntetiske scener med ren alpha og tætte teksturer reagerer stærkt på højere densitet. Træningstid på 200 billeder cirka som P7.

HVOR

Inspector → Presets-sektion → gruppe „Scene-Class" → post „Outdoor (tuned)". UUID-suffiks …701.

TEKNISK

Scene-Class-preset til udendørs-optagelser med ægte himmel og stort dybdeområde (Mip-NeRF 360 Bicycle/Garden, ETH3D-Tunnel, droneflyvninger). Q7-BayesOpt-sweep (trial T0 på bicycle, seed 7, budget 10) fandt: mcmcMaxGaussians=1 250 744, mcmcCapMultiplier=5.32, ssimWeight=0.082, skyDomeRadiusMultiplier=59.0. Δ +1.40 dB PSNR mod Quality-MCMC (21.66 → 23.06) — alle 9 valide bicycle-trials brød +1.0-dB-tærsklen. Outdoor-scener reagerer ekstremt stærkt på højere gaussian-budgetter (skaleret dybdeområde) og på V549e-sky-dome'en (sfærisk projicerede sky-pixler omkring scenen). Cap-multiplier 5.32 tillader MCMC-relocation at sample mere aggressivt i fjerne billedregioner. Mip-splatting bevidst slået fra (Q1.5-verdict: koster endda PSNR på outdoor). Anbefaling i UI'en med suffiks „(tuned)" — mod den ikke-tunede indoor-pendant er kvalitetsspringet over fire gange så stort.

HVOR

Inspector → Presets-sektion → gruppe „Scene-Class" → post „Indoor". UUID-suffiks …702.

TEKNISK

Scene-Class-preset til indendørs rum (Mip-NeRF 360 Bonsai/Kitchen/Room, Deep Blending playroom/drjohnson, ETH3D Storage Room). Q7-BayesOpt-sweep (trial T6 på bonsai, seed 7, budget 8) fandt: mcmcMaxGaussians=669 215, mcmcCapMultiplier=1.76, densifyGradThreshold=1.67e-06, pruneOpacityThreshold=0.0142, ssimWeight=0.171. Δ +0.33 dB PSNR mod Quality-MCMC (29.63 → 29.96). 3/8 trials brød +0.2-dB-tærsklen, 8/8 valid (ingen stall takket være mtime-stall-guard). Indendørs rum reagerer rundt halvt så stærkt som outdoor — Δ +0.33 vs +1.40 dB — ved cirka halvdelen af gaussian-budgettet (670K vs 1.25M). Grunden: geometri begrænset af vægge mætter tidligere; flere gaussians spildes på flade vægflader. Cap-multiplier 1.76 er bevidst valgt konservativt for at undgå MCMC-collapse (fænomen fra v1.4.3). Sky-dome og mip-splatting begge slået fra.