Kapitel 2 — Inspector (Expert View)

WO

Inspector → Look-Sektion → GroupBox → Saturation.

TECHNISCH

Slider 0.5–1.2, Anzeige zweistellig (z.B. „1.00"). Skaliert die SH-DC-Chroma jedes Splats um den Luminanz-Wert: 1.0 = unverändert, < 1.0 = entsättigt (Farbe zur Graustufe gezogen), > 1.0 = kräftiger. Mathematisch wird die DC-Farbe aus dem Pristine-Snapshot zurückgerechnet, sodass wiederholtes Schieben nicht aufsummiert. Wurde auf DJI-Drohnen-Material validiert (Pensford-Viadukt), das tendenziell überzeichnet — der Drohnen-Default liegt bei 0.82. Wirkt nur auf die Farb-Basis (SH-Grad 0), höhere SH-Koeffizienten bleiben unberührt.

WO

Inspector → Look-Sektion → GroupBox → Splat length.

TECHNISCH

Slider 0.3–1.0, Anzeige zweistellig. Zieht die drei Skalierungs-Achsen jedes Gaussians im Log-Raum zu ihrem Mittelwert hin (je kleiner der Wert, desto stärker): 1.0 = unverändert, kleinere Werte machen längliche „Nadel"-Splats runder, 0 wären reine Kugeln. Greift nadel-artige, überdehnte Splats an, ohne die Gesamt-Größe zu verändern, und reduziert dadurch typische „Konfetti"-Artefakte. Vom Pristine-Snapshot (Original-Log-Skalierung) aus angewendet, daher idempotent. Kommutiert mit Splat size (L3), weil beides im Log-Raum arbeitet.

WO

Inspector → Look-Sektion → GroupBox → Splat size.

TECHNISCH

Slider 0.5–2.0, Anzeige zweistellig. Skaliert jeden Gaussian auf allen drei Achsen uniform: 1.0 = unverändert, < 1.0 = kleiner/dichter/schärfer, > 1.0 = größer/„fluffiger" (füllt Lücken zwischen den Splats). Da die Skalierungen im Log-Raum liegen, wird die Multiplikation dort zu einer additiven Verschiebung — das kommutiert mit Splat length (L2), weil ein konstanter Offset die Abweichung-vom-Mittelwert unangetastet lässt. Vom Pristine-Snapshot aus, also idempotent. Neu in dieser Version.

WO

Inspector → Look-Sektion → GroupBox → Toggle „Fade far region" plus die Sub-Slider „Fade start ×radius" und „Fade floor".

TECHNISCH

Toggle, der einen radialen Opacity-Abfall mit der Distanz vom Kamera-Schwerpunkt aktiviert — die schwach beobachteten „Far-Konfetti" im Hintergrund werden ausgeblendet. Nur für Orbit-Aufnahmen: Der Toggle ist ausgegraut, wenn die Szene dafür nicht in Frage kommt (lineare Flüge, zu wenige oder degenerierte Kameras); dann erscheint statt der Sub-Slider der Hinweis „Far-fade applies only to orbit captures (not this scene)." Die Eignung wird per Azimut-Abdeckung der Kamera-Positionen ermittelt (ein Orbit umkreist den Schwerpunkt und füllt viele Kompass-Sektoren, ein Linearflug nur ~2). Zwei Sub-Slider steuern die Geometrie: Fade start ×radius (1.0–3.0) setzt den Innenradius als Vielfaches des Orbit-Radius, innerhalb dessen volle Opacity gilt; Fade floor (0.0–1.0) ist der Opacity-Faktor weit jenseits des Fade-Radius. Wichtig: Der Fade überspringt den Sky-Dome-Bereich (die eingefrorenen Gaussians der Kuppel), damit die absichtliche Hintergrund-Kuppel nicht mitgedimmt wird.

WO

Inspector → Look-Sektion → GroupBox → „Reset finishing" (unten, kleiner Button).

TECHNISCH

Setzt alle Look-Settings auf die Defaults zurück (Saturation 1.0, Fade aus, Splat length 1.0, Splat size 1.0) und löst sofort ein erneutes Finishing aus, sodass der Viewport auf den unveränderten trainierten Zustand zurückspringt. Da der ganze Look-Stack idempotent vom Pristine-Snapshot aus rechnet, ist „zurück auf Default" exakt der ursprüngliche Trainings-Output — kein Qualitätsverlust durch mehrfaches Hin und Her. Wie alle Regler der Sektion während eines laufenden Exports gesperrt.

WO

Inspector → Presets-Sektion → Save…-Button (Action-Leiste unten).

TECHNISCH

Öffnet ein Popover mit Textfeld und Save-/Cancel-Buttons. Der aktuelle Stand der Trainings-Einstellungen wird als neues benutzerdefiniertes Preset persistiert (JSON-codiert, App-übergreifend gespeichert). Der Save-Vorgang kopiert alle 81 Trainings-Parameter plus die aktuelle Densification-Strategie. Das Preset landet automatisch in der Kategorie Custom, unabhängig davon, von welchem Built-in-Preset es abgeleitet wurde. Leere Namen und reine Whitespace-Eingaben werden verworfen. Schon existierende Namen werden nicht abgewiesen — jedes Preset hat eine eigene interne ID, doppelte Namen sind technisch erlaubt, aber praktisch verwirrend.

WO

Save-Popover → Textfeld „Preset Name".

TECHNISCH

Einfaches Textfeld mit gerundetem Rahmen, breiter Form. Der Wert wird beim Klick auf den Save-Button als Preset-Name übernommen. Keine Längenbegrenzung im UI, aber der gespeicherte Name muss JSON-codierbar und in den UI-Listen darstellbar sein — Emoji und Umlaute funktionieren. Der Inhalt wird beim Öffnen des Popovers automatisch auf einen leeren String zurückgesetzt. Der Save-Button bleibt disabled, solange das Feld nach Trim leer ist. Es gibt kein Auto-Suggest und keine Vorbelegung mit dem Namen des gerade aktiven Presets.

WO

Save-Popover → Cancel-Button (links).

TECHNISCH

Schließt den Popover ohne Speichern. Verwirft den Textfeld-Inhalt — beim nächsten Öffnen wird er wieder durch die Save…-Button-Logik (I1) auf leer zurückgesetzt. Standard-Button-Style, keine Bestätigungs-Dialoge, keine Hotkeys. Die aktuelle TrainingConfig bleibt unverändert, da der Save-Pfad gar nicht ausgeführt wurde.

WO

Save-Popover → Save-Button (rechts, prominenter Stil).

TECHNISCH

Triggert die eigentliche Persistierung. Validiert nochmal nicht-leerer Name (defensiver Check) und schreibt dann die aktuelle TrainingConfig als JSON in den App-Speicher. Schließt anschließend den Popover. Blau hervorgehoben, ausgegraut solange das Textfeld leer ist. Wenn das Speichern fehlschlägt (z.B. weil der App-Speicher voll ist — sehr unwahrscheinlich), gibt es momentan keinen sichtbaren Fehlerdialog; das Preset würde dann beim nächsten App-Start einfach nicht erscheinen.

WO

Inspector → Presets-Sektion → Action-Leiste → Export…-Button.

TECHNISCH

Exportiert das aktuell ausgewählte Preset als .radiancepreset-Datei (intern JSON). Disabled, wenn kein Preset selektiert ist. Beim Klick öffnet die App einen Save-Dialog mit vorgegebenem Dateinamen (Preset-Name + .radiancepreset-Extension). Das gespeicherte Format enthält die komplette TrainingConfig plus Metadaten (Name, Kategorie, ID, Built-in-Flag). Doppelklick im Finder öffnet die App — aber nicht automatisch den Import; der Anwender muss den Import-Button (I6) verwenden.

WO

Inspector → Presets-Sektion → Action-Leiste → Import…-Button.

TECHNISCH

Öffnet einen Datei-Dialog, der nur .radiancepreset-Dateien zulässt (Mehrfachauswahl deaktiviert). Beim Auswählen wird die JSON-Datei geladen, validiert und in die Custom-Kategorie eingefügt — mit neuer interner ID, damit keine Kollisionen mit Built-ins entstehen. Der Import setzt automatisch die Kategorie auf Custom, selbst wenn das exportierte Preset ursprünglich z.B. ein Built-in war. Beschädigte oder mit einer älteren Schema-Version inkompatible Dateien werden stillschweigend abgewiesen, ohne Fehlerdialog (Console-Log gibt aber Auskunft).

WO

Inspector → Presets-Sektion → jede Preset-Zeile in jeder Kategorie.

TECHNISCH

Klick auf eine Preset-Zeile ersetzt alle Felder der TrainingConfig durch die Werte aus dem Preset, merkt sich die ID des aktiven Presets und setzt den Modified-Status zurück. Das Aktiv-Häkchen vor der Zeile erscheint nur, wenn das Preset ausgewählt UND unmodifiziert ist. Sobald ein Wert in der TrainingConfig geändert wird (Slider, Stepper, Toggle in den anderen Inspector-Sektionen), erscheint ein orangenes „Modified"-Badge hinter dem Namen. Eingebaute Presets können nicht überschrieben werden — bei Modifikation muss via Save-Button (I1) eine eigene Kopie angelegt werden.

WO

Rechtsklick auf jede Preset-Zeile → erster Eintrag „Export…".

TECHNISCH

Identische Funktionalität wie I5 (Export…-Button), aber bequemer erreichbar — ohne dass das Preset vorher selektiert sein muss. Exportiert direkt das in der Zeile angeklickte Preset. Funktioniert für alle Preset-Kategorien gleich (Built-in oder Custom), keine Einschränkung. Der Export enthält das Built-in-Flag und die Original- Kategorie, aber beim Re-Import wird die Kategorie wie unter I6 beschrieben auf Custom gemappt.

WO

Rechtsklick auf jede Preset-Zeile → zweiter Eintrag „Duplicate".

TECHNISCH

Klont das Preset in die Custom-Kategorie. Erzeugt eine neue interne ID, hängt „ Copy" an den Namen an und speichert die Kopie. Funktioniert auch für Built-in-Presets — der Klon ist dann editierbar. Das Original bleibt unangetastet. Die TrainingConfig wird Wert-für-Wert kopiert (JSON-Roundtrip), sodass keine Referenz-Bindungen zwischen Original und Kopie bestehen.

WO

Rechtsklick auf eigene Preset-Zeilen → letzter Eintrag „Delete" (rot, destructive).

TECHNISCH

Nur sichtbar für Custom-Presets. Built-ins lassen sich nicht löschen. Der Eintrag ist als destruktiv markiert, erscheint im Kontextmenü rot und wird hinter einem Divider abgesetzt, damit man ihn nicht versehentlich klickt. Es gibt keinen Confirmation- Dialog — ein Klick löscht das Preset sofort. Das gelöschte Preset ist nicht wiederherstellbar (Cmd-Z funktioniert hier nicht — Undo gibt es im aktuellen Build nur für die Bild-Liste, nicht für Preset- Operationen). War das gelöschte Preset gerade aktiv, bleibt die aktuelle TrainingConfig unverändert, nur die aktive Preset-Auswahl wird genullt.

WO

Inspector → Presets-Sektion → jeder Kategorie-Header (Capture Class, Classic, MCMC, Hybrid, Custom).

TECHNISCH

Klapp-Status pro Kategorie mit unterschiedlichem Default: die kuratierte Gruppe Capture Class startet aufgeklappt, Classic, MCMC, Hybrid und Custom starten zugeklappt. Der Status wird nicht persistiert — bei App-Neustart sind alle Kategorien wieder im Default-Zustand. Der Chevron-Pfeil rotiert animiert. Die Zahl rechts im Header zeigt die Anzahl der Presets in dieser Kategorie. Die Klick-Hit-Area umfasst den ganzen Header-Bereich.

WO

Inspector → Kameras & Aufnahme → Camera Alignment (Pop-up-Menü unter dem Projection-Picker).

TECHNISCH

Pop-up-Menü, kein segmentierter Picker — die Labels sprengen die schmale Inspector-Spalte. Welche Einträge erscheinen, hängt vom Build ab: die sandboxed App-Store-Version bietet Apple Photogrammetry und Native, Dev-/DMG-Builds zusätzlich COLMAP. Grund: COLMAP ist ein externes Kommandozeilen-Programm, und sandboxed Apps dürfen keine fremden Binaries starten (App-Review-Richtlinie 2.5.2) — deshalb fehlt der Backend-Eintrag samt Mapper-Picker und Binary-Pfad im Store-Build ganz, statt dauerhaft ausgegraut zu sein: eine Zeile, die nie aufleuchten kann, ist kein Hinweis, sondern Rauschen. Nicht verwechseln: Der Import und Export eines COLMAP-Workspace ist reines Swift-Datei-Parsen, braucht keine COLMAP-Installation und funktioniert in jedem Build (Kapitel 1, M5). Der Zusatz „(Beta)" am Native-Eintrag ist entfallen — Native ist seit v1.5.2 keine Beta mehr. Die Auswahl bestimmt das SfM-Backend des nächsten Laufs und steuert zugleich, welche Zeilen darunter bedienbar sind (I13, High-Quality, Native SfM Recipe). Fußnote im UI: Bei einem unsortierten Fotoset richtet die Pipeline immer mit Native aus, egal was der Picker zeigt — dieses Rezept gibt es nur dort. Der Picker wird dabei bewusst nicht gesperrt (der Wert ist nicht unverfügbar, er wird nur überstimmt); stattdessen erscheint ein Hinweis mit Verzweigungs-Symbol.

WO

Inspector → Kameras & Aufnahme → FOV Override (immer sichtbar, bedienbar nur bei Camera Alignment = Native).

TECHNISCH

Numerisches Textfeld (Range 0-170°), Default 0 = automatische Bestimmung aus EXIF oder Heuristik. Die manuelle Eingabe ist nötig, wenn die Eingabe-Bilder aus einem Video extrahiert wurden, das keine Brennweiten-Metadaten enthält. Typische Werte: iPhone Wide ≈ 73°, DJI Mavic Wide-Crop ≈ 70°, Drohne mit Vollformatsensor ≈ 84°. Der Wert wird auf [0, 170] geclampt — Werte außerhalb werden direkt zurückgestaucht. Wirkt sich nur auf die native SfM-Pipeline aus (Q4/Q5); Apple Photogrammetry ignoriert diesen Wert komplett. Seit 2026-07-18: Unter anderen Backends wird das Feld nicht mehr ausgeblendet, sondern ausgegraut — zusammen mit „High-Quality" und „Native SfM Recipe" und einer Zeile mit Schloss-Symbol („These configure the Native aligner — choose Native under Camera Alignment to change them."). Das frühere Ausblenden hatte verschwiegen, dass es diese Regler überhaupt gibt. Das Gate hängt am gewählten Backend, nicht am tatsächlich benutzten — die Umleitung unsortierter Fotosets auf Native meldet stattdessen der Hinweis unter I12. Die Zeile „Native SfM Recipe" braucht zusätzlich ein unsortiertes Fotoset und trägt sonst ihre eigene Erklärzeile.

WO

Inspector → Trainingskonfiguration → Densification (segmentierter Picker, immer sichtbar).

TECHNISCH

Schaltet zwischen den beiden Densification-Strategien: Classic (Original-3DGS-Verfahren mit Clone/Split/Prune und Gradienten-Threshold) und MCMC (Stochastic Gradient Langevin Dynamics mit Relocation, NeurIPS 2024). Beim Wechsel von Classic auf MCMC setzt die App die MCMC-spezifischen Felder automatisch auf erprobte Default-Werte (Reg-Weights = 0, MCMC-Cap- Multiplier 3.0, Sample-/Noise-Schedule). Ohne diese automatische Initialisierung litten Sessions mit alten Presets unter dem 1.4.4-MCMC-Collapse-Bug (460K→5 Gaussians, Watchdog-Kill). Die Picker- Auswahl bestimmt zusätzlich, welche Inspector-Elemente sichtbar sind — bei MCMC tauchen I16/I17 auf. Detaillierte Feld-Wirkung in Kapitel 6, T11–T16 (Classic) und T61–T73 (MCMC).

WO

Inspector → Training → MCMC Quality (immer sichtbar, bedienbar bei Densification = MCMC oder Hybrid).

TECHNISCH

Schaltet die Gradient-Accumulation auf 2 Schritte (aktiv) bzw. 1 Schritt (inaktiv). Akkumuliert die Gradienten aus zwei aufeinanderfolgenden Kamera-Views, bevor der Optimizer-Step ausgeführt wird. Das glättet den Optimierungspfad und verbessert das Endergebnis leicht, aber sichtbar. Der Preis: verdoppelte Trainingszeit. Bei sehr langen Trainings (200K Iterationen) führt das zu zusätzlichen 10+ Minuten Wartezeit — also nur dann lohnt, wenn die letzten paar Prozent Qualität wirklich gebraucht werden. Wirkt sich nur auf das Training aus, nicht auf das Export-Format oder die Viewport-Darstellung. Gilt auch für Hybrid, das dieselbe MCMC-Maschinerie benutzt. Seit 2026-07-18: Unter Classic verschwindet die Zeile nicht mehr, sondern wird zusammen mit I17 und „Max Gaussians" ausgegraut; darunter steht „Only used by the MCMC and Hybrid densifiers — switch Densification above to change these."

WO

Inspector → Training → Auto-scale by scene (immer sichtbar, bedienbar bei Densification = MCMC oder Hybrid).

TECHNISCH

Wenn aktiv, skaliert die effektive Max-Gaussians- Obergrenze mit der SfM-Init-Point-Count × MCMC-Cap-Multiplier (Default 3.0). Beispiel: SfM liefert 250K Initpunkte, Basis-Cap = 150K, Multiplier 3.0 → effektive Obergrenze = max(150K, 750K) = 750K. Wenn deaktiviert, gilt strikt nur die Basis. Die Basis selbst steht in der Zeile Max Gaussians direkt darunter (seit 1.8, Default 150 000, Eingabe geclampt auf 10 000–30 000 000). Liegt die effektive Obergrenze über der Basis, blendet die App sie als Klartext ein („Effective cap for this scene: …") — samt RAM-Warnung, wenn sie zu hoch gerät. War für v1.4.5 eingeführt, weil große Outdoor-Aufnahmen mit über 1000 Frames und entsprechend hoher SfM-Punkt-Dichte mit der starren 150K-Cap-Default die Densification ausgehungert haben — überflüssige Punkte blieben, neue durften nicht entstehen. Default OFF in Custom-Presets, ON in MCMC-Built-ins. Wirkt sich nur zur Trainingszeit aus, nicht im Export. Seit 2026-07-18: Unter Classic wird die Zeile ausgegraut statt ausgeblendet (mit derselben Erklärzeile wie I16); Klartext-Anzeige und RAM-Warnung erscheinen dort bewusst nicht, weil Classic gar keine Obergrenze anwendet.

WO

Inspector → Trainingskonfiguration → GroupBox → Max Iterations.

TECHNISCH

Stepper mit Range 1 000–100 000, Schrittweite 1 000. Bestimmt die Gesamtzahl der Optimizer-Iterationen. Linear korreliert mit der Trainingszeit (Halbierung = ca. 50% Zeit). Bewährte Werte sind 20K (Classic Balanced), 40K (Classic Quality) und 200K (MCMC Full). Über 40K bringt Classic kaum noch Verbesserung — der Ertrag flacht ab. Beim Verändern wird, falls die Link-Funktion (I19) aktiv ist, Densify Until proportional mitgezogen (Default-Ratio: 0.5, d.h. Densify-Until = Max/2).

WO

Inspector → Trainingskonfiguration → GroupBox → kleiner Link-Button zwischen Max Iterations und Densify Until.

TECHNISCH

Toggle-Button, der das Verhältnis von Densify Until zu Max Iterations einfriert. Bei Aktiv (Link-Icon hervorgehoben) wird bei jeder Änderung von Max Iterations das Densify Until proportional nachgezogen. Beim Unlink (Link-Plus-Icon) bleiben die Werte unabhängig. Default ist linked, weil das die typische Korrelation widerspiegelt — wenn du das Training auf doppelte Iterationen ziehst, willst du meistens auch die Densification proportional länger laufen lassen. Das Verhältnis wird beim Setzen des Link-Buttons aus dem aktuellen Wert berechnet; ein typisches Verhältnis ist 0.5 (Densify-Until = halbe Iterations-Zahl).

WO

Inspector → Trainingskonfiguration → GroupBox → Densify Until.

TECHNISCH

Stepper mit Range 500–50 000, Schrittweite 500. Bestimmt den Iterations-Index, ab dem keine neuen Gaussians mehr durch Clone/Split (Classic) oder Relocation (MCMC) hinzukommen. Nach Erreichen werden nur noch Position und Farbe verfeinert. Höhere Werte = mehr Gaussians = größere Datei, längere Pro-Iteration-Zeit (+30-60% GPU-Time pro Schritt). Typische Werte: 15K (für 30K Max-Iter), 20K (für 40K), 100K (für 200K MCMC). Bei aktivem Link (I19) automatisch mitskaliert. Wirkt sich anders bei Classic vs MCMC aus: Classic stoppt komplett das Wachstum, MCMC stoppt die Relocation-Logik, aber Sample-/Noise-Adaption läuft weiter.

WO

Inspector → Trainingskonfiguration → GroupBox → SSIM Weight.

TECHNISCH

Slider 0.0–1.0 in 0.05-Schritten, Anzeige als „0.20". Mischt L1-Loss (0.0) und SSIM-Loss (1.0). L1 strafft die Helligkeit pro Pixel, SSIM die strukturelle Ähnlichkeit (Kanten, lokale Statistiken). Default 0.2 ist der Wert aus dem Original-3DGS-Paper (Kerbl 2023) und ein robuster Kompromiss für nahezu jede Szene. Höhere Werte (0.5+) bevorzugen Detailerhalt, können aber lokale Helligkeitsfehler ignorieren. Niedrigere Werte (< 0.1) führen zu Detail-Verlust an scharfen Kanten. Die SSIM- Berechnung läuft im Shader mit einem 11×11-Gaussian-Window. Performance: Bei 0.0 (nur L1) ist das Training ca. 8-12% schneller, weil die SSIM-Berechnung im Shader übersprungen wird.

WO

Inspector → Trainingskonfiguration → GroupBox → Render Scale.

TECHNISCH

Slider 0.25–1.0 in 0.25-Schritten, Anzeige als „100%". Skaliert die Trainings-Rendering-Auflösung relativ zur Quellbild-Größe. Größter Hebel auf die Performance: 50% reduziert GPU-Zeit um ca. 75% (weil 4× weniger Pixel), 25% um ca. 94%. Der Gradient-Threshold wird automatisch mitskaliert. Unter dem Slider erscheint eine Live-Resolutions-Anzeige in MP (z.B. „2304×1296 (3.0 MP)"). Falls der aktuelle Wert vom empfohlenen abweicht, wird in oranger Schrift „— recommended: 50%" eingeblendet. Die Empfehlung zielt auf ~3 MP effektive Auflösung — der von Apple Silicon GPUs am effizientesten verarbeitbare Bereich. 4K-Quellbilder bekommen z.B. automatisch 25% empfohlen, FullHD-Bilder 100%. Eine Änderung triggert zusätzlich die Buffer-Reallokation.

WO

Inspector → Training → Gruppe „Runs automatically at the end of training" → Post-Training Compactification.

TECHNISCH

Aktiviert einen Aufräum-Durchgang am Ende: Nach Abschluss der Trainings-Iterationen werden Gaussians mit Opacity unter 0.01 (1% Sichtbarkeit) gelöscht. Das schrumpft die Datei-Größe typischerweise etwa auf die Hälfte, ohne dass ein Qualitätsverlust sichtbar wird — weil diese Gaussians visuell ohnehin nicht beitragen. Die Compactification läuft als GPU-Compact-Pass und dauert je nach Gaussian-Count Sekundenbruchteile bis wenige Sekunden. Beeinflusst die Trainings-Performance nicht. Wenn dieser Toggle aus ist, werden auch invisible Gaussians exportiert — relevant nur, wenn du das Format für ein weiteres Training-Stage gebrauchen willst (Continue Training), sonst Verschwendung von Speicher.

WO

Inspector → Training → Perceptual Loss.

TECHNISCH

Slider 0.0–0.2 in 0.01-Schritten, Anzeige bei 0.0 als „Off", sonst als „0.05" usw. Aktiviert einen zusätzlichen Loss-Term, der multi-skalierten Gaussian-Blur des Renderings mit dem Ground-Truth-Bild vergleicht (3 Blur-Skalen). Fängt strukturelle Unterschiede ein, die L1+SSIM allein nicht erkennen. Werte zwischen 0.05 und 0.1 verbessern feine Strukturen sichtbar und kosten dabei nur wenig Trainingszeit — rund 5% (zusätzlicher Forward-Pass durch die Blur-Kernel). Über 0.15 wird das Training instabil und die Qualität sinkt wieder, weil dieser Loss-Term die Optimierung dominiert. Wirkt während des Trainings, nicht im Post-Processing — trotz seiner Position bei den Enhancement-Zeilen am Ende der Training-Sektion ist das also keine reine Aufwertung im Nachgang.

WO

Inspector → Training (Outdoor-Gruppe) → Toggle „Sky Masking". Wird pro Projekt gespeichert; Standard: aus.

TECHNISCH

Aktiviert pre-training Apple-Vision-basierte Sky-Pixel-Segmentation. Vor Trainings-Start wird für jede Eingabe-Kamera die Sky-Region per Apple-Vision-Foreground-Mask extrahiert (Sky = Background) und als Pro-Pixel-Maske der jeweiligen Kamera zugeordnet. Während des Trainings wird der Loss-Beitrag pro Pixel mit dem Komplement der Sky-Maske multipliziert — Sky-Pixel tragen 0 zum Gradient bei, sodass Gaussians, die in den Himmel projizieren, keine Optimierungs-Signale erhalten und damit nicht „dichter" oder „heller" werden. Reduziert Floater (dunkle Klümpchen im Himmel) bei Outdoor-/Drohnen-Szenen signifikant. Kostet ~3% L1-Regression bei klassischem 40K-Training. Nur sinnvoll bei Outdoor-Szenen mit klar erkennbarem Himmel; bei Innenraum-Szenen oder weißem Hintergrund identifiziert die Sky-Segmentierung falsche Bereiche und blockt valide Loss-Signale. Der Wert wird pro Projekt gespeichert (nicht mehr app-global) und folgt dem Preset bzw. der Szenendatei.

WO

Inspector → Training (Outdoor-Gruppe) → Toggle „Floater Cleanup" (Untertitel „Remove Gaussians outside all camera views"). Wird pro Projekt gespeichert; Standard: aus.

TECHNISCH

Der Schalter steuert zwei Effekte mit unterschiedlichen Bedingungen; beide werden beim Start auf die lauf-lokale Config abgeleitet, nicht in die gespeicherte Konfiguration geschrieben (sonst blieben sie als Einweg-Rastung hängen). (1) Frustum-Union-Cull am Trainingsende — Gaussians außerhalb der Vereinigung aller Kamera-Frusta werden entfernt („nie beobachtet" = „nie eingeschränkt", und genau das sind die meisten Floater). Dieser Teil hat keine Strategie-Bedingung und läuft bei Classic, MCMC und Hybrid gleichermaßen — nach ihm ist der Schalter benannt. (2) Zwei zusätzliche Density-Control-Pässe mitten im Lauf — nur bei Classic und nur ab 30 000 Iterationen, gesetzt auf 55 % und 85 % der Lauflänge (bei 35–40K also etwa 20K und 30K). Beide Pässe suchen Gaussians mit sehr niedriger Opacity, winziger Screen-Space-Größe und ohne Loss-Beitrag und purgen sie. Effekt: ~5–15% weniger Gaussians am Ende, sichtbar weniger dunkle Klümpchen im Himmel bei Drohnen-/Outdoor-Szenen. Kostet ~1–3% L1-Regression bei Close-Up-Indoor-Szenen, daher nicht als Default aktiviert. Der Wert wird pro Projekt gespeichert und folgt Preset bzw. Szenendatei. Korrektur gegenüber früheren Auflagen: Der Toggle ist nicht mehr auf den Classic-Densifier beschränkt und wird unter MCMC/Hybrid auch nicht mehr ausgegraut — das hatte MCMC- und Hybrid-Nutzer ausgerechnet von dem Cull ausgesperrt, der bei ihnen wirkt. Bei kurzen Läufen (z.B. P2 Preview 5K) entfällt lediglich der mitten-im-Lauf-Teil.

WO

Inspector → Training (Outdoor-Gruppe) → Toggle „Reconstruct Sky Dome". Wird pro Projekt gespeichert; Standard: aus.

TECHNISCH

Aktiviert die Sky-Dome-Projektion vor dem Training. Nach SfM und vor Trainings-Start wird für jede Eingabe-Kamera die in S7 gemeinsam genutzte Apple-Vision-Sky-Maske aus dem Bild extrahiert, die Sky-Pixel werden mit den Kamera-Intrinsics ent-projiziert auf eine virtuelle Kugel-Oberfläche (Standard-Radius 8× Szenen-Radius). Auf dieser Kugel werden ~5000 neue Gaussians initialisiert mit Farb-Mittelwerten aus den projizierten Sky-Pixeln, sehr großer Skalierung (1.0 in Szenen-Einheiten) und Anfangs-Opacity 0.95. Diese 5000 Gaussians sind kein Sky-Mask im klassischen Sinn — sie werden trainiert wie alle anderen, aber durch die hohe Anfangs-Opacity in einer dünnen Schale belassen. Ergebnis: bei 360°-Novel-Views in Outdoor-/Drohnen-Szenen erscheinen statt dunkler Confetti-Klümpchen tatsächliche Himmels-Farbe und Wolken-Strukturen. Der Wert wird über Neustarts gemerkt. Sinnvoll nur bei Outdoor-Szenen mit zumindest 360°-Kamera-Abdeckung; bei reinen Object-Captures ohne Himmel-Sicht hat es keinen Effekt. Status: experimentell, breitere A/B-Validierung über weitere Outdoor-Sets steht noch aus.

WO

Inspector → Fortschritt → Training Metrics → Iteration. Read-only.

TECHNISCH

Anzeige im Format „4523 / 40000" — aktuelle Iteration über totale geplante Iterationen. Zählt synchron mit dem Trainings-Loop, der die Werte alle ~30 Iter pushed. Die zweite Zahl entspricht dem Max-Iterations-Wert zum Start-Zeitpunkt; sie ändert sich nicht mehr, auch wenn der Anwender den Stepper danach verstellt — der laufende Lauf nutzt seine eigene Snapshot-Kopie. Wenn die App über das Training-Menü Iterationen draufschiebt (Continue Training +5K/+10K/+20K), erhöht sich der Nenner.

WO

Inspector → Fortschritt → Training Metrics → Loss. Read-only.

TECHNISCH

Float-Wert mit sechs Nachkommastellen (z.B. „0.024385"). Misst den kombinierten L1+SSIM-Loss (Mix kontrolliert über I21 SSIM Weight) plus optional Perceptual Loss (I29) und andere Regularizer. Skala ist nicht absolut, sondern szenenabhängig — verlangt für die meisten Vergleiche denselben Datensatz. Typische Endwerte bei guten Konfigurationen: - Classic Quality 40K iters: 0.022–0.025 (Horse, Truck, Garden) - MCMC Full 200K iters: 0.024–0.028 - Outdoor Drohne 30K: 0.030–0.060 (geometrie-bedingt schlechter) - Indoor Apartments: 0.018–0.025

Werte über 0.10 nach 5K Iterationen deuten auf SfM-Probleme (schlechte Kamera-Posen) hin — abbrechen und SfM neu rechnen.

WO

Inspector → Fortschritt → Training Metrics → Learning Rate. Read-only.

TECHNISCH

Scientific-Notation-Anzeige (z.B. „1.60e-04"). Aktuelle Lernrate für die Position-Parameter (3DGS hat sechs unabhängige LRs für Position, SH-DC, SH-Rest, Opacity, Scale, Rotation — angezeigt wird hier die Position-LR als repräsentative Größe). Default-Anfangswert 1.6e-4, der über einen Exponential-Decay bis ~1.6e-6 am Trainingsende absinkt. Der Verfall ist über das LR-Schedule-Feld in der Trainings- Konfiguration (T-Feld in Kap. 6) anpassbar. Wenn die LR ungewöhnlich hoch bleibt (z.B. 1e-3 oder mehr nach 10K Iterationen), könnte das auf eine fehlerhaft geladene Konfiguration hinweisen.

WO

Inspector → Fortschritt → Training Metrics → SH Degree. Read-only.

TECHNISCH

Ganzzahl 0-3. Spherical-Harmonics-Grad für die Farb-Repräsentation. Beginnt bei 0 (nur die DC-Komponente, d.h. richtungs-unabhängige Farbe pro Gaussian — also nur eine RGB-Konstante) und steigt im Verlauf des Trainings progressiv auf 3 an. Der Standard-Schedule hebt den Grad bei 1000/2000/3000 Iterationen um je 1. SH-3 entspricht 48 Farb-Koeffizienten pro Gaussian (3 RGB-Channels × 16 SH-Basisfunktionen). Höherer SH-Grad = mehr richtungs-abhängige Reflexion (glänzende Oberflächen sehen unter verschiedenen Blickwinkeln korrekt unterschiedlich aus), aber auch mehr Speicher und langsameres Training.

WO

Inspector → Fortschritt → Training Metrics → Gaussians. Read-only.

TECHNISCH

Aktuelle Anzahl der Gaussians im Modell, formatiert mit Locale-Separator (z.B. „524.318"). Wachstum: - Classic: startet bei den SfM-Init-Punkten (typisch 50K-300K), wächst durch Clone/Split bis kurz vor Densify Until, dann statisch bis Trainingsende (modulo Pruning) - MCMC: Sample-Punkte werden hinzugefügt bis zum MCMC-Cap, dann nur noch Relocation

Healthy Endwerte: - Classic Quality: 400K-700K (Horse 524K, Garden 800K) - MCMC Full: exakt auf dem Cap (Default 150K, mit Auto-Scale Multiplier × SfM-Count je nach Szene 500K-1.5M)

Bei MCMC fällt die Zahl auf < 60% des Caps → Anomalie (Collapse-Indikator, deutet auf zu aggressive Regularizer hin).

WO

Inspector → Fortschritt → Training Metrics → GPU Memory. Read-only.

TECHNISCH

Schätzung des Gaussian-Buffer-Speicherverbrauchs als Gaussian-Count × 616 Bytes (formatiert im Memory-Style). 616 Bytes ist die Größe eines voll ausgestatteten Gaussians (Position, Skalierung, Rotation, Opacity, SH-Koeffizienten Grad 3, Gradient- Akkumulator). Die Anzeige erfasst nicht den Renderer-Overhead (Tile-Buffer, Sort-Buffer, Backward-Buffer) — der reale GPU- Speicherbedarf liegt typisch 2-3× über diesem Wert. Bei 500K Gaussians: angezeigt ~290 MB, real ~700 MB. Bei 1.5M Gaussians: angezeigt ~880 MB, real ~2.5 GB. Auf M3 Max mit 64+ GB Unified Memory unkritisch, auf M3 Pro mit 18 GB schon ein Limit.

WO

Inspector → Fortschritt → Training Metrics → Speed. Read-only.

TECHNISCH

Iterations-pro-Sekunde mit einer Nachkommastelle („24.3 it/s"). Berechnet vom Trainer als gleitender Durchschnitt über die letzten ~100 Iterationen. Typische Werte: - Quick Preset (1K iters): 80-120 it/s (kurz, kein steady-state) - Classic 20K @ 1.0 Render Scale (Truck-Szene, M3 Max): 25-35 it/s - Classic 20K @ 0.5 Render Scale: 80-120 it/s - MCMC 200K @ 0.5 Render Scale: 25-50 it/s (langsamer wegen Relocation) - Bei 1M+ Gaussians und voller Auflösung: < 10 it/s

Sinkende Speed im Verlauf des Trainings ist normal — mehr Gaussians = mehr Compute pro Iteration. Plötzliche Einbrüche (z.B. von 30 → 5 it/s) deuten auf GPU-Thermal-Throttling oder konkurrierende Apps hin.

WO

Inspector → Fortschritt → Training Metrics → Elapsed. Read-only.

TECHNISCH

Bereits vergangene Zeit als „4:23" (m:ss) oder „1:23:45" (h:mm:ss). Format-Switch ab 1 Stunde. Misst nur die reine Trainings-Zeit, nicht die vorgelagerten Phasen (SfM-Berechnung, Bild- Import). Bei Pause/Resume läuft die Uhr weiter — ist also wall-clock, nicht CPU-Zeit.

WO

Inspector → Fortschritt → Loss History → linker Label-Bereich „Current: 0.0075". Read-only.

TECHNISCH

Float-Wert des letzten Loss-Sample-Punkts, formatiert mit vier Nachkommastellen. Identisch mit I31 (Loss in der Metrics-Sektion), nur hier kompakter formatiert. Quelle ist die Loss- History — eine Liste, die pro ~30 Iterationen einen Eintrag bekommt. Nur endliche Werte werden in die Liste aufgenommen — NaN/Infinity (sehr selten, im Falle eines Gradient-Explosion-Bugs) werden gefiltert.

WO

Inspector → Fortschritt → Loss History → rechter Label-Bereich „Min: 0.0051" (grün). Read-only.

TECHNISCH

Minimum aller jemals gesehenen Loss-Werte des aktuellen Trainings-Laufs. Wird live aus der Loss-History rekomputiert — keine separate Persistenz. Wird mit grüner Schrift dargestellt, weil „Min" = „Best so far". Die gestrichelte grüne Linie am unteren Chart-Rand markiert diese Y-Position visuell. Bei Continue-Training- Sessions startet die Mindest-Verfolgung neu — die alte History wird in der UI durch die neue ersetzt (nicht angehängt). Wenn das aktuelle Training schlechter als das vorhergehende läuft, kann die Min-Anzeige also größer sein als das vorherige Endergebnis.

WO

Inspector → Fortschritt → Loss History → zweites Chart darunter (orange). Read-only.

TECHNISCH

Linien-Diagramm der Gaussian-Anzahl über die Trainings-Iterationen. Quelle: die Gaussian-Count-History (Liste von (Iter, Count)-Paaren, gefüllt vom Trainer alle ~30 Iter). Y-Skala dynamisch zwischen Minimum und Maximum der History. Bei Classic- Strategie sieht die Kurve typischerweise so aus: stetig steigend bis Densify Until, dann flach (mit kleinen Pruning-Schwankungen). Bei MCMC: steiler Anstieg bis Cap, dann horizontale Linie (Relocation hält die Zahl konstant). Ein Rückgang ganz am Ende ist normal — im Bild oben sinkt die Kurve von rund 16K auf 9.660, weil die Aufräum-Pässe nach der letzten Iteration greifen (I26). Alarmierend ist nur ein Einbruch mitten im Lauf: dann prunt die Densification zu aggressiv — Indiz für falsche Defaults oder ein bekannter MCMC-Collapse-Bug (v1.4.4-Hotfix-Thema).