Kapittel 7 — Innebygde kvalitets-forhåndsinnstillinger

HVOR

Inspector → Presets-seksjon → gruppe „Classic" → oppføring „Quick". UUID-suffiks …001.

TEKNISK

Diagnose-preset med 1 000 iterasjoner, klassisk (adaptiv) densification-strategi og en treningsoppløsningsskalering på 0.25× (input-bildet forminskes til 25 % før treningen). Skal ikke brukes til levering av en scene, men til raskt å finne ut om oppsettet (kameraposisjoner, punktsky, bildeserie) i det hele tatt viser meningsfull bevegelse i loss-verdiene. På en M3 Ultra typisk under 30 sekunder på 50–200 bilder. Den lille oppløsningen tilslører den ekte bildekvaliteten, men holder minneforbruket og render-arbeidet svært lavt. Velges også automatisk som default ved første oppstart hvis systemet har mindre enn 10 GB RAM.

HVOR

Inspector → Presets-seksjon → gruppe „Classic" → oppføring „Preview". UUID-suffiks …002.

TEKNISK

5 000 iterasjoner Classic-densification, 0.5× oppløsningsskalering, doble læringsrater i forhold til standard. Densification (klon + split) er aktiv over de første 2 500 iterasjonene, deretter bare pruning. Default-preset for systemer med ≥ 10 GB RAM. På en M3 Ultra typisk 90 sekunder til 3 minutter på en 200-bilders scene. Gir et brukbart inntrykk av geometrien og kamera-posen, men teksturer er tydelig mykt tegnet — 0.5× render-oppløsningen lar seg ikke uten videre omgå ved å trene på nytt med P3 eller P4, fordi læringsratene er kalibrert til den halve oppløsningen.

HVOR

Inspector → Presets-seksjon → gruppe „Classic" → oppføring „Balanced". UUID-suffiks …005.

TEKNISK

20 000 iterasjoner Classic-densification ved full bildeoppløsning. Densification kjører over de første 15 000 iterasjonene, fra iter 3 000 med et densify-intervall på 100. Empirisk det „sweet spot" fra de dokumenterte treningssesjonene: ved klassisk densification på Horse Full og Truck stabiliseres L1-loss mellom iter 18 000 og 22 000, en lengre trening gir ikke lenger signifikant forbedring under Quality (P4). På en M3 Ultra typisk 30–60 sekunder på 200 bilder, 5–8 minutter på 1 000+ bilder.

HVOR

Inspector → Presets-seksjon → gruppe „Classic" → oppføring „Quality". UUID-suffiks …003.

TEKNISK

35 000 iterasjoner Classic-densification med V546-„Opacity Decay" (HTGS, Eurographics 2025): etter hver densify-syklus multipliseres opacity av alle eksisterende gaussians med en faktor < 1.0, noe som pålitelig fjerner gaussians som har blitt inaktive, ved pruning og dermed oppnår 14 % bedre L1-tap enn den klassiske 35 000-kjøringen ved samme iter-antall. SSIM-tap er aktivert (ssimWeight=0.05). På en M3 Ultra typisk 2–4 minutter på 200 bilder. Leverer på NeRF-Blender (Lego, Chair, Drums) endelig L1 ≈ 0.023 — beste Classic-variant i de 560+ dokumenterte eksperimentene. Merk: krever ~3–5 GB GPU-minne; på 8-GB-systemer er P3 det trygge valget.

HVOR

Inspector → Presets-seksjon → gruppe „MCMC" → oppføring „Preview". UUID-suffiks …006.

TEKNISK

60 000 iterasjoner MCMC-densification (3DGS-MCMC, NeurIPS 2024) ved et tak på 100 000 gaussians. MCMC erstatter den heuristiske klon/split-logikken med Markov-Chain-Monte-Carlo-relocation: døde gaussians plasseres på nytt via sigmoid-vektede sampling-dybder, noe som gir et kontrollert og reproduserbart antall gaussians. Taket setter et hardt lokk på maksimalt antall ved 100K — det sparer minne og render-tid, men koster detalje. På en M3 Ultra typisk 5–8 minutter på 200 bilder. Egnet som „MCMC-funksjonstest" — hjelper med å vurdere om et bytte fra Classic til MCMC ville være meningsfullt, før du investerer mer tid i P6 eller P7.

HVOR

Inspector → Presets-seksjon → gruppe „MCMC" → oppføring „Balanced". UUID-suffiks …007.

TEKNISK

120 000 iterasjoner MCMC ved et tak på 150 000 gaussians. Det midterste MCMC-trinnet — nesten det endelige gaussian-antallet fra P7 Quality, men bare 60 % av iterasjonene. Empirisk ligger L1-tap i de dokumenterte treningssesjonene på 0.026–0.028 på Horse Full, mot P7 med 0.0246 — altså rundt 7 % høyere, til gjengjeld halve ventetiden. På en M3 Ultra typisk 8–15 minutter på 200 bilder. Bruker en metode som skalerer det effektive gaussian-taket til punkttettheten i input-SfM-punktskyen (se T75 i kapittel 6).

HVOR

Inspector → Presets-seksjon → gruppe „MCMC" → oppføring „Quality". UUID-suffiks …004.

TEKNISK

200 000 iterasjoner MCMC ved et tak på 150 000 gaussians, SSIM-tap 0.05, MCMC-noise-decay over 80 % av iterasjonene. Best-single-run-L1 i de 560+ eksperimentene: 0.0238 på Horse Full, gjennomsnitt over 3 trials 0.0246 (mot P4 0.0230 på samme scene). MCMC leverer samtidig 71 % færre gaussians (150K vs ~524K) — avgjørende hvis du vil levere resultatet på nettet, fordi den mindre skyen gir markant mindre eksportfiler. Treningstid på en M3 Ultra typisk 20–35 minutter på 200 bilder; på 1 000+ bildersett nærmere 1–2 timer. Beste valg hvis maksimal bildekvalitet ved minimal sluttstørrelse ønskes.

HVOR

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

TEKNISK

Scene-Class-preset for billedsyntetiske / CGI-aktige scener (NeRF-Blender, Mip-NeRF 360 Flowers, Blender-renderede testsett). Q7-BayesOpt-sweep (trial T10 på flowers, seed 7, budsjett 20) fant: 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 bevisst slått av (Q1.5-„closed no-win"-verdict 2026-05-25), sky-dome likeså slått av (syntetiske scener har ingen ekte himmel). Hovedhåndtaket er den 8× større gaussian-øvre grensen — syntetiske scener med ren alpha og tette teksturer reagerer sterkt på høyere tetthet. Treningstid på 200 bilder omtrent som P7.

HVOR

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

TEKNISK

Scene-Class-preset for utendørsopptak med ekte himmel og stort dybdeområde (Mip-NeRF 360 Bicycle/Garden, ETH3D-Tunnel, droneflyginger). Q7-BayesOpt-sweep (trial T0 på bicycle, seed 7, budsjett 10) fant: mcmcMaxGaussians=1 250 744, mcmcCapMultiplier=5.32, ssimWeight=0.082, skyDomeRadiusMultiplier=59.0. Δ +1.40 dB PSNR mot Quality-MCMC (21.66 → 23.06) — alle 9 gyldige bicycle-trials brøt +1.0-dB-terskelen. Outdoor-scener reagerer ekstremt sterkt på høyere gaussian-budsjetter (skalert dybdeområde) og på V549e-sky-domen (sfærisk projiserte himmelpiksler rundt scenen). Cap-multiplier 5.32 tillater MCMC-relocation å sample mer aggressivt i fjerne bildeområder. Mip-splatting bevisst slått av (Q1.5-verdict: koster til og med PSNR på outdoor). Anbefalt i UI-en med suffiks „(tuned)" — mot den ikke-tunede indoor-pendant er kvalitetsspranget over fire ganger så stort.

HVOR

Inspector → Presets-seksjon → gruppe „Scene-Class" → oppføring „Indoor". UUID-suffiks …702.

TEKNISK

Scene-Class-preset for innendørs rom (Mip-NeRF 360 Bonsai/Kitchen/Room, Deep Blending playroom/drjohnson, ETH3D Storage Room). Q7-BayesOpt-sweep (trial T6 på bonsai, seed 7, budsjett 8) fant: mcmcMaxGaussians=669 215, mcmcCapMultiplier=1.76, densifyGradThreshold=1.67e-06, pruneOpacityThreshold=0.0142, ssimWeight=0.171. Δ +0.33 dB PSNR mot Quality-MCMC (29.63 → 29.96). 3/8 trials brøt +0.2-dB-terskelen, 8/8 gyldige (ingen stall takket være mtime-stall-guard). Innendørs rom reagerer rundt halvparten så sterkt som outdoor — Δ +0.33 vs +1.40 dB — ved cirka halvparten av gaussian-budsjettet (670K vs 1.25M). Grunnen: geometri begrenset av vegger metter tidligere; flere gaussians sløses på flate veggflater. Cap-multiplier 1.76 er bevisst valgt konservativt for å unngå MCMC-collapse (fenomen fra v1.4.3). Sky-dome og mip-splatting begge slått av.