Capítulo 2 — Inspector (Expert View)

ONDE

Inspector → Seção Look → GroupBox → Saturation.

TÉCNICO

Slider 0.5–1.2, exibição com duas casas decimais (ex.: „1.00"). Escala a croma SH-DC de cada splat em torno do valor de luminância: 1.0 = inalterado, < 1.0 = dessaturado (cor puxada para a escala de cinza), > 1.0 = mais vibrante. Matematicamente, a cor DC é recalculada a partir do snapshot pristino, de modo que deslizar repetidamente não se acumula. Foi validado com material de drones DJI (viaduto de Pensford), que tende a ficar supersaturado — o padrão para drones é 0.82. Afeta apenas a base de cor (grau SH 0); coeficientes SH mais altos permanecem intocados.

ONDE

Inspector → Seção Look → GroupBox → Splat length.

TÉCNICO

Slider 0.3–1.0, exibição com duas casas decimais. Puxa os três eixos de escala de cada Gaussian, no espaço logarítmico, em direção à sua média (quanto menor o valor, mais forte o efeito): 1.0 = inalterado, valores menores tornam splats alongados em forma de „agulha" mais arredondados, 0 seriam esferas puras. Ataca splats em forma de agulha, excessivamente esticados, sem alterar o tamanho geral, reduzindo assim os típicos artefatos de „confete". Aplicado a partir do snapshot pristino (escala logarítmica original), portanto idempotente. Comuta com Splat size (L3), já que ambos operam no espaço logarítmico.

ONDE

Inspector → Seção Look → GroupBox → Splat size.

TÉCNICO

Slider 0.5–2.0, exibição com duas casas decimais. Escala cada Gaussian uniformemente em todos os três eixos: 1.0 = inalterado, < 1.0 = menor/mais denso/mais nítido, > 1.0 = maior/„mais fofo" (preenche lacunas entre os splats). Como as escalas estão no espaço logarítmico, a multiplicação se torna ali um deslocamento aditivo — isso comuta com Splat length (L2), pois um offset constante não afeta o desvio em relação à média. A partir do snapshot pristino, portanto idempotente. Novo nesta versão.

ONDE

Inspector → Seção Look → GroupBox → Toggle „Fade far region" mais os sub-sliders „Fade start ×radius" e „Fade floor".

TÉCNICO

Toggle que ativa uma redução radial de opacidade com a distância em relação ao centro de gravidade da câmera — o „confete distante", pouco observado, ao fundo, é esmaecido. Apenas para capturas em órbita: o toggle fica acinzentado quando a cena não é adequada para isso (voos lineares, câmeras insuficientes ou degeneradas); nesse caso, em vez dos sub-sliders aparece o aviso „Far-fade applies only to orbit captures (not this scene)." A adequação é determinada pela cobertura de azimute das posições da câmera (uma órbita circunda o centro de gravidade e preenche muitos setores da bússola, um voo linear preenche apenas ~2). Dois sub-sliders controlam a geometria: Fade start ×radius (1.0–3.0) define o raio interno como múltiplo do raio da órbita, dentro do qual vale opacidade total; Fade floor (0.0–1.0) é o fator de opacidade bem além do raio de esmaecimento. Importante: o fade ignora a região do sky dome (os Gaussians congelados da cúpula), para que a cúpula de fundo intencional não seja esmaecida junto.

ONDE

Inspector → Seção Look → GroupBox → „Reset finishing" (embaixo, botão pequeno).

TÉCNICO

Redefine todas as configurações de Look para os padrões (Saturation 1.0, Fade desativado, Splat length 1.0, Splat size 1.0) e dispara imediatamente um novo finishing, de modo que o Viewport volta ao estado treinado inalterado. Como toda a pilha de Look calcula de forma idempotente a partir do snapshot pristino, „voltar ao padrão" é exatamente o resultado original do treinamento — sem perda de qualidade por ir e vir várias vezes. Como todos os controles da seção, fica bloqueado durante uma exportação em andamento.

ONDE

Inspector → Seção Presets → Botão Save… (barra de ações abaixo).

TÉCNICO

Abre um popover com campo de texto e botões Save/Cancel. O estado atual das configurações de treinamento é persistido como novo preset personalizado (codificado em JSON, salvo em todo o app). O processo de salvamento copia todos os 81 parâmetros de treinamento mais a estratégia de Densification atual. O preset é colocado automaticamente na categoria Custom, independentemente de qual preset integrado ele foi derivado. Nomes vazios e entradas apenas com espaços em branco são descartados. Nomes já existentes não são rejeitados — cada preset tem seu próprio ID interno; nomes duplicados são tecnicamente permitidos, mas na prática confusos.

ONDE

Popover Save → Campo de texto "Preset Name".

TÉCNICO

Campo de texto simples com borda arredondada, formato largo. O valor é assumido como nome do preset ao clicar no botão Save. Sem limite de comprimento na UI, mas o nome salvo precisa ser codificável em JSON e representável nas listas da UI — emojis e caracteres acentuados funcionam. O conteúdo é redefinido automaticamente para uma string vazia ao abrir o popover. O botão Save permanece desativado enquanto o campo, após trim, estiver vazio. Não há autocompletar nem preenchimento prévio com o nome do preset atualmente ativo.

ONDE

Popover Save → Botão Cancel (à esquerda).

TÉCNICO

Fecha o popover sem salvar. Descarta o conteúdo do campo de texto — na próxima abertura ele será redefinido para vazio novamente pela lógica do botão Save… (I1). Estilo de botão padrão, sem diálogos de confirmação, sem atalhos. A TrainingConfig atual permanece inalterada, pois o caminho de salvamento nem sequer foi executado.

ONDE

Popover Save → Botão Save (à direita, estilo em destaque).

TÉCNICO

Dispara a persistência propriamente dita. Valida novamente se o nome não está vazio (verificação defensiva) e então grava a TrainingConfig atual como JSON no armazenamento do app. Fecha em seguida o popover. Destacado em azul, acinzentado enquanto o campo de texto estiver vazio. Se o salvamento falhar (por exemplo, porque o armazenamento do app está cheio — muito improvável), não há atualmente nenhum diálogo de erro visível; o preset simplesmente não apareceria na próxima inicialização do app.

ONDE

Inspector → Seção Presets → Barra de ações → Botão Export….

TÉCNICO

Exporta o preset atualmente selecionado como arquivo .radiancepreset (internamente JSON). Desativado quando nenhum preset está selecionado. Ao clicar, o app abre um diálogo Save com nome de arquivo predefinido (nome do preset + extensão .radiancepreset). O formato salvo contém a TrainingConfig completa mais metadados (nome, categoria, ID, flag de built-in). Duplo clique no Finder abre o app — mas não automaticamente a importação; o usuário precisa usar o botão Import (I6).

ONDE

Inspector → Seção Presets → Barra de ações → Botão Import….

TÉCNICO

Abre um diálogo de arquivo que permite apenas arquivos .radiancepreset (seleção múltipla desativada). Ao selecionar, o arquivo JSON é carregado, validado e inserido na categoria Custom — com um novo ID interno, para que não haja colisões com os built-ins. A importação define automaticamente a categoria como Custom, mesmo que o preset exportado originalmente fosse, por exemplo, um built-in. Arquivos corrompidos ou incompatíveis com uma versão de esquema mais antiga são rejeitados silenciosamente, sem diálogo de erro (o log do Console fornece informações, no entanto).

ONDE

Inspector → Seção Presets → cada linha de preset em cada categoria.

TÉCNICO

Clicar em uma linha de preset substitui todos os campos da TrainingConfig pelos valores do preset, memoriza o ID do preset ativo e redefine o status de modificação. O check de ativo antes da linha só aparece quando o preset está selecionado E não modificado. Assim que um valor na TrainingConfig é alterado (slider, stepper, toggle em outras seções do Inspector), aparece um selo laranja "Modified" atrás do nome. Presets integrados não podem ser sobrescritos — em caso de modificação, é necessário criar uma cópia própria via botão Save (I1).

ONDE

Clique com o botão direito em qualquer linha de preset → primeiro item "Export…".

TÉCNICO

Funcionalidade idêntica a I5 (botão Export…), mas acessível de forma mais conveniente — sem que o preset precise ser selecionado previamente. Exporta diretamente o preset clicado na linha. Funciona da mesma forma para todas as categorias de preset (built-in ou Custom), sem restrições. A exportação contém a flag de built-in e a categoria original, mas ao reimportar, a categoria é mapeada para Custom conforme descrito em I6.

ONDE

Clique com o botão direito em qualquer linha de preset → segundo item "Duplicate".

TÉCNICO

Clona o preset para a categoria Custom. Gera um novo ID interno, anexa " Copy" ao nome e salva a cópia. Funciona também para presets integrados — o clone fica então editável. O original permanece intocado. A TrainingConfig é copiada valor por valor (roundtrip JSON), de forma que não existem vínculos de referência entre original e cópia.

ONDE

Clique com o botão direito em linhas de presets próprios → último item "Delete" (vermelho, destrutivo).

TÉCNICO

Visível apenas para presets Custom. Built-ins não podem ser excluídos. O item é marcado como destrutivo, aparece em vermelho no menu de contexto e é separado por um divisor, para que não seja clicado por acidente. Não há nenhum diálogo de confirmação — um clique exclui o preset imediatamente. O preset excluído não pode ser recuperado (Cmd-Z não funciona aqui — undo existe na versão atual apenas para a lista de imagens, não para operações de preset). Se o preset excluído estava ativo no momento, a TrainingConfig atual permanece inalterada, apenas a seleção de preset ativo é zerada.

ONDE

Inspector → Seção Presets → cada cabeçalho de categoria (Capture Class, Classic, MCMC, Hybrid, Custom).

TÉCNICO

Estado de expansão por categoria com padrão diferente: o grupo curado Capture Class inicia expandido, Classic, MCMC, Hybrid e Custom iniciam recolhidos. O estado não é persistido — ao reiniciar o app, todas as categorias voltam ao estado padrão. A seta chevron gira com animação. O número à direita no cabeçalho mostra a quantidade de presets nessa categoria. A área de clique abrange todo o cabeçalho.

ONDE

Inspector → Câmeras & Captura → Camera Alignment (menu pop-up abaixo do seletor de Projection).

TÉCNICO

Menu pop-up, não um seletor segmentado — os rótulos excedem a coluna estreita do Inspector. Quais entradas aparecem depende do build: a versão sandboxed da App Store oferece Apple Photogrammetry e Native, enquanto builds dev/DMG oferecem adicionalmente COLMAP. Motivo: COLMAP é um programa de linha de comando externo, e apps sandboxed não podem iniciar binários de terceiros (diretriz de revisão da App 2.5.2) — por isso a entrada de backend, junto com o seletor de Mapper e o caminho do binário, está totalmente ausente no build da Store, em vez de permanentemente acinzentada: uma linha que nunca pode acender não é uma indicação, é ruído. Não confundir: A importação e exportação de um workspace COLMAP é puro parsing de arquivos em Swift, não precisa de instalação do COLMAP e funciona em qualquer build (Capítulo 1, M5). O sufixo "(Beta)" na entrada Native foi removido — Native deixou de ser beta desde a v1.5.2. A seleção determina o backend SfM da próxima execução e controla ao mesmo tempo quais linhas abaixo ficam operáveis (I13, High-Quality, Native SfM Recipe). Nota de rodapé na UI: Com um conjunto de fotos não ordenado, o pipeline sempre alinha com Native, independente do que o seletor mostra — essa receita só existe ali. O seletor deliberadamente não é bloqueado (o valor não fica indisponível, apenas é sobreposto); em vez disso aparece um aviso com símbolo de bifurcação.

ONDE

Inspector → Câmeras & Captura → FOV Override (sempre visível, operável apenas com Camera Alignment = Native).

TÉCNICO

Campo de texto numérico (intervalo 0-170°), padrão 0 = determinação automática a partir de EXIF ou heurística. A entrada manual é necessária quando as imagens de entrada foram extraídas de um vídeo sem metadados de distância focal. Valores típicos: iPhone Wide ≈ 73°, DJI Mavic Wide-Crop ≈ 70°, drone com sensor full-frame ≈ 84°. O valor é limitado a [0, 170] — valores fora do intervalo são diretamente ajustados de volta para dentro dele. Afeta apenas o pipeline SfM nativo (Q4/Q5); Apple Photogrammetry ignora completamente esse valor. Desde 18/07/2026: Em outros backends, o campo não é mais ocultado, e sim acinzentado — junto com "High-Quality" e "Native SfM Recipe" e uma linha com símbolo de cadeado ("These configure the Native aligner — choose Native under Camera Alignment to change them."). O antigo ocultamento escondia o fato de que esses controles existiam. A restrição depende do backend selecionado, não do efetivamente usado — o redirecionamento de conjuntos de fotos não ordenados para Native é sinalizado, em vez disso, pelo aviso em I12. A linha "Native SfM Recipe" exige adicionalmente um conjunto de fotos não ordenado e, do contrário, tem sua própria linha explicativa.

ONDE

Inspector → Configuração de Treinamento → Densification (seletor segmentado, sempre visível).

TÉCNICO

Alterna entre as duas estratégias de Densification: Classic (procedimento 3DGS original com Clone/Split/Prune e limiar de gradiente) e MCMC (Stochastic Gradient Langevin Dynamics com Relocation, NeurIPS 2024). Ao mudar de Classic para MCMC, o app define automaticamente os campos específicos de MCMC para valores padrão testados (Reg-Weights = 0, multiplicador de cap MCMC 3.0, agendamento de amostra/ruído). Sem essa inicialização automática, sessões com presets antigos sofriam o bug de colapso do MCMC da versão 1.4.4 (460K→5 Gaussians, watchdog kill). A seleção do seletor determina adicionalmente quais elementos do Inspector ficam visíveis — com MCMC, I16/I17 aparecem. Efeito detalhado dos campos no Capítulo 6, T11–T16 (Classic) e T61–T73 (MCMC).

ONDE

Inspector → Training → MCMC Quality (sempre visível, operável com Densification = MCMC ou Hybrid).

TÉCNICO

Alterna a acumulação de gradiente entre 2 passos (ativo) e 1 passo (inativo). Acumula os gradientes de duas views de câmera consecutivas antes de executar o passo do otimizador. Isso suaviza o caminho de otimização e melhora levemente, mas de forma visível, o resultado final. O preço: tempo de treinamento em dobro. Em treinamentos muito longos (200 mil iterações), isso resulta em 10+ minutos adicionais de espera — portanto só compensa quando os últimos pontos percentuais de qualidade realmente forem necessários. Afeta apenas o treinamento, não o formato de exportação nem a representação no viewport. Vale também para Hybrid, que usa a mesma maquinaria MCMC. Desde 18/07/2026: Sob Classic, a linha não desaparece mais; em vez disso, junto com I17 e "Max Gaussians", fica acinzentada; abaixo aparece "Only used by the MCMC and Hybrid densifiers — switch Densification above to change these."

ONDE

Inspector → Training → Auto-scale by scene (sempre visível, operável com Densification = MCMC ou Hybrid).

TÉCNICO

Quando ativo, escala o limite efetivo de Max Gaussians junto com a contagem de pontos de inicialização SfM × multiplicador de cap MCMC (padrão 3.0). Exemplo: SfM fornece 250 mil pontos iniciais, cap base = 150 mil, multiplicador 3.0 → limite efetivo = max(150 mil, 750 mil) = 750 mil. Quando desativado, vale estritamente apenas a base. A própria base está na linha Max Gaussians logo abaixo (desde 1.8, padrão 150.000, entrada limitada entre 10.000–30.000.000). Se o limite efetivo estiver acima da base, o app o exibe em texto simples ("Effective cap for this scene: …") — junto com um aviso de RAM, caso fique alto demais. Foi introduzido na v1.4.5 porque grandes capturas outdoor com mais de 1000 frames e densidade de pontos SfM correspondentemente alta faziam a Densification passar fome com o cap rígido padrão de 150 mil — pontos supérfluos permaneciam, novos não podiam surgir. Padrão desligado em presets personalizados, ligado nos presets embutidos de MCMC. Afeta apenas o tempo de treinamento, não a exportação. Desde 18/07/2026: Sob Classic, a linha fica acinzentada em vez de oculta (com a mesma linha explicativa de I16); a exibição em texto simples e o aviso de RAM deliberadamente não aparecem ali, porque Classic não aplica limite algum.

ONDE

Inspector → Configuração de Treinamento → GroupBox → Max Iterations.

TÉCNICO

Stepper com intervalo 1.000–100.000, incremento de 1.000. Determina o número total de iterações do otimizador. Correlaciona linearmente com o tempo de treinamento (reduzir pela metade = cerca de 50% do tempo). Valores testados são 20K (Classic Balanced), 40K (Classic Quality) e 200K (MCMC Full). Acima de 40K, Classic quase não traz mais melhora — o ganho se estabiliza. Ao alterar, se a função de vínculo (I19) estiver ativa, Densify Until é ajustado proporcionalmente junto (proporção padrão: 0.5, ou seja, Densify-Until = Max/2).

ONDE

Inspector → Configuração de Treinamento → GroupBox → pequeno botão de vínculo entre Max Iterations e Densify Until.

TÉCNICO

Botão de alternância que congela a proporção entre Densify Until e Max Iterations. Quando ativo (ícone de corrente em destaque), a cada alteração de Max Iterations, Densify Until é ajustado proporcionalmente junto. Ao desvincular (ícone de corrente com sinal de mais), os valores permanecem independentes. O padrão é vinculado, porque isso reflete a correlação típica — se você dobrar o treinamento para o dobro de iterações, geralmente você também quer que a Densification rode proporcionalmente mais tempo. A proporção é calculada a partir do valor atual no momento em que o botão de vínculo é ativado; uma proporção típica é 0.5 (Densify-Until = metade do número de iterações).

ONDE

Inspector → Configuração de Treinamento → GroupBox → Densify Until.

TÉCNICO

Stepper com intervalo 500–50.000, incremento de 500. Determina o índice de iteração a partir do qual nenhum novo Gaussian é mais adicionado por Clone/Split (Classic) ou Relocation (MCMC). Após atingi-lo, apenas posição e cor são refinadas. Valores mais altos = mais Gaussians = arquivo maior, tempo por iteração mais longo (+30-60% de tempo de GPU por passo). Valores típicos: 15K (para 30K de Max-Iter), 20K (para 40K), 100K (para 200K MCMC). Com o vínculo ativo (I19), é escalado automaticamente junto. Tem efeito diferente em Classic vs. MCMC: Classic para completamente o crescimento, MCMC para a lógica de Relocation, mas a adaptação de amostra/ruído continua.

ONDE

Inspector → Configuração de Treinamento → GroupBox → SSIM Weight.

TÉCNICO

Controle deslizante 0.0–1.0 em passos de 0.05, exibido como "0.20". Mistura L1-Loss (0.0) e SSIM-Loss (1.0). L1 ajusta o brilho por pixel, SSIM a similaridade estrutural (bordas, estatísticas locais). O padrão 0.2 é o valor do artigo original de 3DGS (Kerbl 2023) e é um compromisso robusto para quase qualquer cena. Valores mais altos (0.5+) favorecem a preservação de detalhes, mas podem ignorar erros locais de brilho. Valores mais baixos (< 0.1) levam a perda de detalhes em bordas nítidas. O cálculo de SSIM roda no shader com uma janela gaussiana de 11×11. Desempenho: com 0.0 (apenas L1), o treinamento é cerca de 8-12% mais rápido, porque o cálculo de SSIM é pulado no shader.

ONDE

Inspector → Configuração de Treinamento → GroupBox → Render Scale.

TÉCNICO

Controle deslizante 0.25–1.0 em passos de 0.25, exibido como "100%". Escala a resolução de renderização do treinamento em relação ao tamanho da imagem de origem. Maior alavanca de desempenho: 50% reduz o tempo de GPU em cerca de 75% (porque são 4× menos pixels), 25% em cerca de 94%. O limiar de gradiente é escalado automaticamente junto. Abaixo do controle deslizante aparece uma exibição de resolução ao vivo em MP (por exemplo, "2304×1296 (3.0 MP)"). Caso o valor atual difira do recomendado, é exibido em texto laranja "— recommended: 50%". A recomendação visa ~3 MP de resolução efetiva — a faixa processada com mais eficiência pelas GPUs da Apple Silicon. Imagens de origem em 4K, por exemplo, recebem automaticamente 25% recomendado, imagens Full HD 100%. Uma alteração também dispara a realocação de buffer.

ONDE

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

TÉCNICO

Ativa uma passagem de limpeza no final: após a conclusão das iterações de treinamento, Gaussians com Opacity abaixo de 0,01 (1% de visibilidade) são excluídos. Isso normalmente reduz o tamanho do arquivo pela metade, sem que se note perda de qualidade — porque esses Gaussians de qualquer forma não contribuem visualmente. A Compactification roda como um GPU-Compact-Pass e dura, dependendo do número de Gaussians, de frações de segundo a poucos segundos. Não afeta a performance do treinamento. Se esse toggle estiver desligado, Gaussians invisíveis também são exportados — relevante só se você quiser usar o formato para uma etapa adicional de treinamento (Continue Training); caso contrário, é desperdício de espaço.

ONDE

Inspector → Training → Perceptual Loss.

TÉCNICO

Slider de 0,0 a 0,2 em passos de 0,01, exibido em 0,0 como „Off", caso contrário como „0.05" etc. Ativa um termo de loss adicional que compara o Gaussian-blur multi-escala da renderização com a imagem ground-truth (3 escalas de blur). Captura diferenças estruturais que L1+SSIM sozinho não detecta. Valores entre 0,05 e 0,1 melhoram estruturas finas de forma visível e custam pouco tempo de treinamento — cerca de 5% (forward pass adicional pelos blur kernels). Acima de 0,15, o treinamento fica instável e a qualidade volta a cair, porque esse termo de loss passa a dominar a otimização. Atua durante o treinamento, não no pós-processamento — apesar de sua posição junto às linhas de Enhancement no final da seção Training, portanto não é uma melhoria puramente posterior.

ONDE

Inspector → Training (grupo Outdoor) → Toggle „Sky Masking". É salvo por projeto; padrão: desligado.

TÉCNICO

Ativa segmentação pre-training de pixels de céu baseada em Apple Vision. Antes do início do treinamento, para cada câmera de entrada, a região de céu é extraída via Apple-Vision-Foreground-Mask (Sky = Background) e associada como máscara por pixel àquela câmera. Durante o treinamento, a contribuição de loss por pixel é multiplicada pelo complemento da máscara de céu — pixels de céu contribuem com 0 para o gradiente, de modo que Gaussians que projetam para o céu não recebem sinais de otimização e, assim, não ficam "mais densos" nem "mais claros". Reduz significativamente floaters (aglomerados escuros no céu) em cenas outdoor/de drone. Custa ~3% de regressão de L1 em treinamento clássico de 40K. Só faz sentido em cenas outdoor com céu claramente identificável; em cenas de interior ou fundo branco, a segmentação de céu identifica áreas erradas e bloqueia sinais de loss válidos. O valor é salvo por projeto (não mais globalmente no app) e segue o Preset ou o arquivo da cena.

ONDE

Inspector → Training (grupo Outdoor) → Toggle „Floater Cleanup" (subtítulo „Remove Gaussians outside all camera views"). É salvo por projeto; padrão: desligado.

TÉCNICO

O interruptor controla dois efeitos com condições diferentes; ambos são derivados na inicialização para a config local da execução, não são gravados na configuração salva (senão ficariam presos como um travamento de mão única). (1) Frustum-Union-Cull ao final do treinamento — Gaussians fora da união de todos os frusta de câmera são removidos ("nunca observado" = "nunca restringido", e é exatamente isso que a maioria dos floaters é). Essa parte não tem condição de estratégia e roda igualmente em Classic, MCMC e Hybrid — é por ela que o interruptor recebe o nome. (2) Dois passos adicionais de Density-Control no meio da execução — apenas com Classic e apenas a partir de 30.000 iterações, definidos em 55% e 85% da duração da execução (em 35–40K, portanto, cerca de 20K e 30K). Ambos os passos procuram Gaussians com Opacity muito baixa, tamanho ínfimo em screen-space e sem contribuição de loss, e os eliminam. Efeito: ~5–15% menos Gaussians no final, visivelmente menos aglomerados escuros no céu em cenas de drone/outdoor. Custa ~1–3% de regressão de L1 em cenas indoor em close-up, por isso não vem ativado por padrão. O valor é salvo por projeto e segue o Preset ou o arquivo da cena. Correção em relação a edições anteriores: o toggle não está mais restrito ao Classic-Densifier e não é mais desabilitado (esmaecido) sob MCMC/Hybrid — isso justamente impedia usuários de MCMC e Hybrid de acessar o cull que funciona para eles. Em execuções curtas (por exemplo, P2 Preview 5K), simplesmente não ocorre a parte do meio da execução.

ONDE

Inspector → Training (grupo Outdoor) → Toggle „Reconstruct Sky Dome". É salvo por projeto; padrão: desligado.

TÉCNICO

Ativa a projeção de Sky-Dome antes do treinamento. Depois do SfM e antes do início do treinamento, para cada câmera de entrada, a máscara de céu Apple-Vision compartilhada em S7 é extraída da imagem; os pixels de céu são desprojetados usando os intrinsics da câmera para uma superfície esférica virtual (raio padrão 8× o raio da cena). Nessa esfera, ~5000 novos Gaussians são inicializados com médias de cor extraídas dos pixels de céu projetados, escala muito grande (1,0 em unidades de cena) e Opacity inicial de 0,95. Esses 5000 Gaussians não são uma Sky-Mask no sentido clássico — eles são treinados como todos os outros, mas mantidos numa casca fina graças à alta Opacity inicial. Resultado: em novel views de 360° em cenas outdoor/de drone, aparecem cores de céu e estruturas de nuvens reais em vez de aglomerados escuros de confete. O valor é lembrado entre reinicializações. Só faz sentido em cenas outdoor com pelo menos cobertura de câmera de 360°; em capturas puras de objeto sem visibilidade de céu, não tem efeito. Status: experimental, uma validação A/B mais ampla em outros conjuntos outdoor ainda está pendente.

ONDE

Inspector → Progresso → Training Metrics → Iteration. Somente leitura.

TÉCNICO

Exibição no formato „4523 / 40000" — iteração atual sobre o total de iterações planejadas. Conta em sincronia com o loop de treinamento, que envia os valores a cada ~30 iterações. O segundo número corresponde ao valor de Max Iterations no momento do início; ele não muda mais, mesmo que o usuário ajuste o stepper posteriormente — a execução em andamento usa sua própria cópia snapshot. Quando o app adiciona iterações através do menu Training (Continue Training +5K/+10K/+20K), o denominador aumenta.

ONDE

Inspector → Progresso → Training Metrics → Loss. Somente leitura.

TÉCNICO

Valor float com seis casas decimais (ex.: „0.024385"). Mede o loss combinado L1+SSIM (mix controlado via I21 SSIM Weight) mais, opcionalmente, Perceptual Loss (I29) e outros regularizadores. A escala não é absoluta, mas sim dependente da cena — exige, para a maioria das comparações, o mesmo conjunto de dados. Valores finais típicos em configurações boas: - Classic Quality 40K iters: 0.022–0.025 (Horse, Truck, Garden) - MCMC Full 200K iters: 0.024–0.028 - Drone externo 30K: 0.030–0.060 (pior devido à geometria) - Apartamentos internos: 0.018–0.025

Valores acima de 0.10 após 5K iterações indicam problemas de SfM (poses de câmera ruins) — interrompa e recalcule o SfM.

ONDE

Inspector → Progresso → Training Metrics → Learning Rate. Somente leitura.

TÉCNICO

Exibição em notação científica (ex.: „1.60e-04"). Taxa de aprendizado atual para os parâmetros de posição (3DGS tem seis learning rates independentes para Position, SH-DC, SH-Rest, Opacity, Scale, Rotation — aqui é exibida a LR de Position como valor representativo). Valor inicial padrão de 1.6e-4, que decai através de um decaimento exponencial até ~1.6e-6 ao final do treinamento. O decaimento pode ser ajustado através do campo LR Schedule na configuração de treinamento (campo T no cap. 6). Se a LR permanecer incomumente alta (ex.: 1e-3 ou mais após 10K iterações), isso pode indicar uma configuração carregada incorretamente.

ONDE

Inspector → Progresso → Training Metrics → SH Degree. Somente leitura.

TÉCNICO

Número inteiro 0-3. Grau de Spherical Harmonics para a representação de cor. Começa em 0 (apenas o componente DC, ou seja, cor independente de direção por Gaussian — portanto apenas uma constante RGB) e aumenta progressivamente ao longo do treinamento até 3. O schedule padrão eleva o grau em 1 nas iterações 1000/2000/3000. SH-3 corresponde a 48 coeficientes de cor por Gaussian (3 canais RGB × 16 funções de base SH). Grau SH mais alto = mais reflexão dependente de direção (superfícies brilhantes parecem corretamente diferentes de vários ângulos de visão), mas também mais memória e treinamento mais lento.

ONDE

Inspector → Progresso → Training Metrics → Gaussians. Somente leitura.

TÉCNICO

Número atual de Gaussians no modelo, formatado com separador de localidade (ex.: „524.318"). Crescimento: - Classic: começa nos pontos de inicialização do SfM (tipicamente 50K-300K), cresce por Clone/Split até pouco antes de Densify Until, depois fica estático até o final do treinamento (módulo pruning) - MCMC: pontos de amostra são adicionados até o limite (cap) do MCMC, depois apenas relocação

Valores finais saudáveis: - Classic Quality: 400K-700K (Horse 524K, Garden 800K) - MCMC Full: exatamente no cap (padrão 150K, com Auto-Scale Multiplier × contagem de SfM dependendo da cena 500K-1.5M)

No MCMC, se o número cair para < 60% do cap → anomalia (indicador de collapse, indica regularizadores muito agressivos).

ONDE

Inspector → Progresso → Training Metrics → GPU Memory. Somente leitura.

TÉCNICO

Estimativa do consumo de memória do buffer de Gaussians como contagem de Gaussians × 616 bytes (formatado no estilo de memória). 616 bytes é o tamanho de um Gaussian totalmente equipado (posição, escala, rotação, opacidade, coeficientes SH de grau 3, acumulador de gradiente). A exibição não captura o overhead do renderer (buffer de tiles, buffer de ordenação, buffer de backward) — a necessidade real de memória de GPU fica tipicamente 2-3× acima desse valor. Com 500K Gaussians: exibido ~290 MB, real ~700 MB. Com 1.5M Gaussians: exibido ~880 MB, real ~2.5 GB. Em um M3 Max com 64+ GB de memória unificada não é crítico, em um M3 Pro com 18 GB já é um limite.

ONDE

Inspector → Progresso → Training Metrics → Speed. Somente leitura.

TÉCNICO

Iterações por segundo com uma casa decimal („24.3 it/s"). Calculado pelo trainer como média móvel sobre as últimas ~100 iterações. Valores típicos: - Preset Quick (1K iters): 80-120 it/s (curto, sem estado estável) - Classic 20K @ 1.0 Render Scale (cena Truck, 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 (mais lento devido à relocação) - Com 1M+ Gaussians e resolução total: < 10 it/s

A diminuição da velocidade ao longo do treinamento é normal — mais Gaussians = mais processamento por iteração. Quedas repentinas (ex.: de 30 → 5 it/s) indicam throttling térmico da GPU ou apps concorrentes.

ONDE

Inspector → Progresso → Training Metrics → Elapsed. Somente leitura.

TÉCNICO

Tempo já decorrido como „4:23" (m:ss) ou „1:23:45" (h:mm:ss). Mudança de formato a partir de 1 hora. Mede apenas o tempo puro de treinamento, não as fases anteriores (cálculo de SfM, importação de imagens). Ao pausar/retomar, o relógio continua correndo — ou seja, é tempo de relógio (wall-clock), não tempo de CPU.

ONDE

Inspector → Progresso → Loss History → área de rótulo à esquerda "Current: 0.0075". Somente leitura.

TÉCNICO

Valor float do último ponto de amostra de perda, formatado com quatro casas decimais. Idêntico a I31 (Loss na seção de métricas), só que formatado de forma mais compacta aqui. A fonte é o histórico de perda — uma lista que recebe uma entrada a cada ~30 iterações. Apenas valores finitos são incluídos na lista — NaN/Infinity (muito raro, em caso de um bug de explosão de gradiente) são filtrados.

ONDE

Inspector → Progresso → Loss History → área de rótulo à direita "Min: 0.0051" (verde). Somente leitura.

TÉCNICO

Mínimo de todos os valores de perda já vistos na execução de treinamento atual. É recalculado ao vivo a partir do histórico de perda — sem persistência separada. É exibido em texto verde, porque "Min" = "melhor até agora". A linha verde tracejada na borda inferior do gráfico marca essa posição Y visualmente. Em sessões de Continue Training, o rastreamento do mínimo recomeça — o histórico antigo é substituído na UI pelo novo (não anexado). Se o treinamento atual estiver indo pior do que o anterior, a exibição de Min pode, portanto, ser maior do que o resultado final anterior.

ONDE

Inspector → Progresso → Loss History → segundo gráfico logo abaixo (laranja). Somente leitura.

TÉCNICO

Gráfico de linha do número de Gaussianas ao longo das iterações de treinamento. Fonte: o histórico de contagem de Gaussianas (lista de pares (Iter, Count), preenchida pelo treinador a cada ~30 iterações). Escala Y dinâmica entre o mínimo e o máximo do histórico. Na estratégia Classic, a curva tipicamente tem esta forma: subida constante até Densify Until, depois plana (com pequenas oscilações de pruning). No MCMC: subida acentuada até o limite (cap), depois uma linha horizontal (o Relocation mantém o número constante). Uma queda bem no final é normal — na imagem acima, a curva cai de cerca de 16K para 9.660, porque as passagens de limpeza atuam após a última iteração (I26). Só é preocupante uma queda no meio da execução: nesse caso, a densificação está fazendo pruning de forma agressiva demais — indício de defaults errados ou de um bug conhecido de colapso do MCMC (tema do hotfix v1.4.4).