Kapitel 7 — Eingebaute Qualitäts-Presets

WO

Inspector → Presets-Sektion → Gruppe „Classic" → Eintrag „Quick". UUID-Suffix …001.

TECHNISCH

Diagnose-Preset mit 1 000 Iterationen, klassischer (adaptiver) Densification-Strategie und einer Trainings-Auflösungs-Skalierung von 0.25× (Eingabebild wird vor dem Training auf 25 % verkleinert). Soll nicht zur Auslieferung einer Szene dienen, sondern schnell feststellen, ob das Setup (Kameraposen, Punktwolke, Bildreihe) überhaupt sinnvolle Bewegung in den Loss-Werten zeigt. Auf einem M3 Ultra typischerweise unter 30 Sekunden auf 50–200 Bildern. Die kleine Auflösung verschleiert echte Bildqualität, hält aber Speicherbedarf und Render-Aufwand sehr gering. Wird auch automatisch als Default beim ersten Start gewählt, wenn das System weniger als 10 GB RAM hat.

WO

Inspector → Presets-Sektion → Gruppe „Classic" → Eintrag „Preview". UUID-Suffix …002.

TECHNISCH

5 000 Iterationen Classic-Densification, 0.5× Auflösungs-Skalierung, doppelte Lernraten gegenüber Standard. Densification (Klonen + Splitten) ist über die ersten 2 500 Iterationen aktiv, danach nur noch Pruning. Default-Preset für Systeme mit ≥ 10 GB RAM. Auf einem M3 Ultra typischerweise 90 Sekunden bis 3 Minuten für eine 200-Bild-Szene. Liefert einen brauchbaren Eindruck der Geometrie und der Kamera-Pose, aber Texturen sind sichtbar weichgezeichnet — die 0.5× Render-Auflösung lässt sich danach durch erneutes Trainieren mit P3 oder P4 nicht direkt umgehen, weil die Lernraten passend zur halben Auflösung kalibriert sind.

WO

Inspector → Presets-Sektion → Gruppe „Classic" → Eintrag „Balanced". UUID-Suffix …005.

TECHNISCH

20 000 Iterationen Classic-Densification bei voller Bildauflösung. Densification läuft über die ersten 15 000 Iterationen, ab Iter 3 000 mit einem Densify-Intervall von 100. Empirisch der „sweet spot" aus den dokumentierten Trainings-Sessions: bei klassischer Densification auf Horse Full und Truck stabilisiert sich der L1-Loss zwischen Iter 18 000 und 22 000, ein längeres Training bringt unterhalb von Quality (P4) keine signifikante Verbesserung mehr. Auf einem M3 Ultra typischerweise 30–60 Sekunden auf 200 Bildern, 5–8 Minuten auf 1 000+ Bildern.

WO

Inspector → Presets-Sektion → Gruppe „Classic" → Eintrag „Quality". UUID-Suffix …003.

TECHNISCH

35 000 Iterationen Classic-Densification mit V546-„Opacity Decay" (HTGS, Eurographics 2025): nach jedem Densify-Cycle multipliziert sich die Opacity aller existierenden Gaussians mit einem Faktor < 1.0, was inaktiv gewordene Gaussians beim Pruning verlässlich entfernt und damit auf identischer Iter-Zahl 14 % besseren L1-Loss als der klassische 35 000-Lauf erreicht. SSIM-Loss ist aktiviert (ssimWeight=0.05). Auf einem M3 Ultra typischerweise 2–4 Minuten auf 200 Bildern. Liefert auf NeRF-Blender (Lego, Chair, Drums) finale L1 ≈ 0.023 — beste Classic-Variante in den 560+ dokumentierten Experimenten. Beachte: braucht ~3–5 GB GPU-Speicher; auf 8-GB-Systemen ist P3 die sichere Wahl.

WO

Inspector → Presets-Sektion → Gruppe „MCMC" → Eintrag „Preview". UUID-Suffix …006.

TECHNISCH

60 000 Iterationen MCMC-Densification (3DGS-MCMC, NeurIPS 2024) bei einem Cap von 100 000 Gaussians. MCMC ersetzt die heuristische Klon/Split-Logik durch Markov-Chain-Monte-Carlo-Relocation: tote Gaussians werden über Sigmoid-gewichtete Sampling-Tiefen neu plaziert, was eine kontrollierte und reproduzierbare Anzahl Gaussians ergibt. Der Cap deckelt die maximale Anzahl hart bei 100K — das spart Speicher und Render-Zeit, kostet aber Detail. Auf einem M3 Ultra typischerweise 5–8 Minuten auf 200 Bildern. Eignet sich als „MCMC-Funktionstest" — Hilft zu beurteilen, ob ein Wechsel von Classic auf MCMC sinnvoll wäre, bevor du in P6 oder P7 mehr Zeit investierst.

WO

Inspector → Presets-Sektion → Gruppe „MCMC" → Eintrag „Balanced". UUID-Suffix …007.

TECHNISCH

120 000 Iterationen MCMC bei einem Cap von 150 000 Gaussians. Die mittlere MCMC-Stufe — fast die finale Gaussian-Anzahl von P7 Quality, aber nur 60 % der Iterationen. Empirisch liegt der L1-Loss in den dokumentierten Trainings-Sessions bei 0.026–0.028 auf Horse Full, gegenüber P7 mit 0.0246 — also rund 7 % höher, dafür halbe Wartezeit. Auf einem M3 Ultra typischerweise 8–15 Minuten auf 200 Bildern. Verwendet ein Verfahren, das den effektiven Gaussian-Cap an die Punktdichte der Eingangs-SfM-Punktwolke skaliert (siehe T75 in Kapitel 6).

WO

Inspector → Presets-Sektion → Gruppe „MCMC" → Eintrag „Quality". UUID-Suffix …004.

TECHNISCH

200 000 Iterationen MCMC bei einem Cap von 150 000 Gaussians, SSIM-Loss 0.05, MCMC-Noise-Decay über 80 % der Iterationen. Best-Single-Run-L1 in den 560+-Experimenten: 0.0238 auf Horse Full, gemittelt über 3 Trials 0.0246 (gegenüber P4 0.0230 auf gleicher Szene). MCMC liefert dabei 71 % weniger Gaussians (150K vs ~524K) — entscheidend, wenn du das Ergebnis auf dem Web ausliefern willst, weil die kleinere Wolke deutlich kleinere Export-Dateien produziert. Trainingszeit auf einem M3 Ultra typischerweise 20–35 Minuten auf 200 Bildern; auf 1 000+-Bild-Sets eher 1–2 Stunden. Beste Wahl wenn maximale Bildqualität bei minimaler Endgröße gewünscht ist.

WO

Inspector → Presets-Sektion → Gruppe „Scene-Class" → Eintrag „Render (3D)". UUID-Suffix …700.

TECHNISCH

Scene-Class-Preset für bildsynthetische / CGI-artige Szenen (NeRF-Blender, Mip-NeRF 360 Flowers, Blender-gerenderte Test-Sets). Q7-BayesOpt-Sweep (Trial T10 auf flowers, Seed 7, Budget 20) ermittelte: mcmcMaxGaussians=1 189 511, mcmcCapMultiplier=2.98, ssimWeight=0.051, densifyGradThreshold=3.34e-06, mcmcNoiseScale=5.61e-05. Δ +0.36 dB PSNR gegenüber dem Quality-MCMC-Baseline (17.67 → 18.03). Mip-Splatting ist gezielt aus (Q1.5-„closed no-win"-Verdict 2026-05-25), Sky-Dome ebenfalls aus (synthetische Szenen haben keinen echten Himmel). Der Hauptlever ist die 8× größere Gaussian-Obergrenze — synthetische Szenen mit sauberem Alpha und dichten Texturen reagieren stark auf höhere Densität. Trainingszeit auf 200 Bildern circa wie P7.

WO

Inspector → Presets-Sektion → Gruppe „Scene-Class" → Eintrag „Outdoor (tuned)". UUID-Suffix …701.

TECHNISCH

Scene-Class-Preset für Außenaufnahmen mit echtem Himmel und großem Tiefenbereich (Mip-NeRF 360 Bicycle/Garden, ETH3D-Tunnel, Drohnen-Flüge). Q7-BayesOpt-Sweep (Trial T0 auf bicycle, Seed 7, Budget 10) ermittelte: mcmcMaxGaussians=1 250 744, mcmcCapMultiplier=5.32, ssimWeight=0.082, skyDomeRadiusMultiplier=59.0. Δ +1.40 dB PSNR gegenüber Quality-MCMC (21.66 → 23.06) — alle 9 valid bicycle-Trials brachen die +1.0-dB-Schwelle. Outdoor-Szenen reagieren extrem stark auf höhere Gaussian-Budgets (skalierter Tiefenbereich) und auf den V549e-Sky-Dome (sphärisch projizierte Sky-Pixel um die Szene). Cap-Multiplier 5.32 erlaubt der MCMC-Relocation, in fernen Bildregionen aggressiver zu samplen. Mip-Splatting gezielt aus (Q1.5-Verdict: kostet auf outdoor sogar PSNR). Empfehlung im UI mit dem Suffix „(tuned)" — gegenüber dem ungetunten Indoor-Pendant ist der Quality-Sprung über vier mal so groß.

WO

Inspector → Presets-Sektion → Gruppe „Scene-Class" → Eintrag „Indoor". UUID-Suffix …702.

TECHNISCH

Scene-Class-Preset für Innenräume (Mip-NeRF 360 Bonsai/Kitchen/Room, Deep Blending playroom/drjohnson, ETH3D Storage Room). Q7-BayesOpt-Sweep (Trial T6 auf bonsai, Seed 7, Budget 8) ermittelte: mcmcMaxGaussians=669 215, mcmcCapMultiplier=1.76, densifyGradThreshold=1.67e-06, pruneOpacityThreshold=0.0142, ssimWeight=0.171. Δ +0.33 dB PSNR gegenüber Quality-MCMC (29.63 → 29.96). 3/8 Trials brachen die +0.2-dB-Schwelle, 8/8 valid (kein Stall dank des mtime-Stall-Guards). Innenräume reagieren rund halb so stark wie Outdoor — Δ +0.33 vs +1.40 dB — bei etwa der Hälfte des Gaussian-Budgets (670K vs 1.25M). Der Grund: durch Wände begrenzte Geometrie sättigt früher; mehr Gaussians werden auf flachen Wandflächen verschwendet. Cap-Multiplier 1.76 ist gezielt konservativ gewählt, um MCMC-Collapse (Phänomen aus v1.4.3) zu vermeiden. Sky-Dome und Mip-Splatting beide aus.