Capítulo 7 — Predefinições de qualidade embutidas

ONDE

Inspetor → Seção de predefinições → Grupo „Classic" → entrada „Quick". Sufixo de UUID …001.

TÉCNICO

Predefinição de diagnóstico com 1 000 iterações, estratégia clássica (adaptativa) de densification e uma escala de resolução de treinamento de 0.25× (imagem de entrada é reduzida a 25 % antes do treinamento). Não pretende entregar uma cena final, mas rapidamente verificar se o setup (poses de câmera, nuvem de pontos, série de imagens) mostra movimento útil nos valores de loss. Em um M3 Ultra tipicamente menos de 30 segundos em 50–200 imagens. A resolução pequena disfarça a qualidade real de imagem, mas mantém o consumo de memória e o custo de render bem baixos. Também é escolhida automaticamente como padrão no primeiro início se o sistema tiver menos de 10 GB de RAM.

ONDE

Inspetor → Seção de predefinições → Grupo „Classic" → entrada „Preview". Sufixo de UUID …002.

TÉCNICO

5 000 iterações de densification clássica, escala de resolução 0.5×, taxas de aprendizado duplicadas em relação ao padrão. A densification (clone + split) fica ativa nas primeiras 2 500 iterações, depois somente pruning. Predefinição padrão para sistemas com ≥ 10 GB de RAM. Em um M3 Ultra tipicamente 90 segundos a 3 minutos para uma cena de 200 imagens. Entrega uma impressão útil da geometria e da pose da câmera, mas as texturas ficam visivelmente suavizadas — a resolução de 0.5× não pode ser contornada diretamente treinando depois com P3 ou P4, porque as taxas de aprendizado estão calibradas para meia resolução.

ONDE

Inspetor → Seção de predefinições → Grupo „Classic" → entrada „Balanced". Sufixo de UUID …005.

TÉCNICO

20 000 iterações de densification clássica em resolução de imagem total. A densification roda nas primeiras 15 000 iterações; a partir da iter 3 000 com intervalo de densify de 100. Empiricamente o „sweet spot" das sessões de treinamento documentadas: com densification clássica em Horse Full e Truck o L1-loss estabiliza entre as iters 18 000 e 22 000; treinar mais que isso, abaixo de Quality (P4), não traz melhora significativa. Em um M3 Ultra tipicamente 30–60 segundos em 200 imagens, 5–8 minutos em 1 000+ imagens.

ONDE

Inspetor → Seção de predefinições → Grupo „Classic" → entrada „Quality". Sufixo de UUID …003.

TÉCNICO

35 000 iterações de densification clássica com V546-„Opacity Decay" (HTGS, Eurographics 2025): após cada ciclo de densify, a opacidade de todos os Gaussians existentes é multiplicada por um fator < 1.0, o que remove com confiabilidade Gaussians que ficaram inativos durante o pruning, alcançando assim um L1-loss 14 % melhor que a corrida clássica de 35 000 iters com o mesmo número de iterações. SSIM-loss está ativo (ssimWeight=0.05). Em um M3 Ultra tipicamente 2–4 minutos em 200 imagens. Em NeRF-Blender (Lego, Chair, Drums) entrega L1 final ≈ 0.023 — melhor variante Classic nos 560+ experimentos documentados. Atenção: precisa de ~3–5 GB de memória de GPU; em sistemas com 8 GB, P3 é a escolha segura.

ONDE

Inspetor → Seção de predefinições → Grupo „MCMC" → entrada „Preview". Sufixo de UUID …006.

TÉCNICO

60 000 iterações de densification MCMC (3DGS-MCMC, NeurIPS 2024) com cap de 100 000 Gaussians. MCMC substitui a lógica heurística de clone/split por relocação Markov-chain Monte-Carlo: Gaussians mortos são reposicionados por profundidades de amostragem ponderadas por sigmoide, o que produz uma quantidade controlada e reproduzível de Gaussians. O cap limita o número máximo de forma dura em 100K — economiza memória e tempo de render, mas custa detalhe. Em um M3 Ultra tipicamente 5–8 minutos em 200 imagens. Adequada como „teste de funcionamento MCMC" — ajuda a julgar se trocar de Classic para MCMC faz sentido, antes de você investir mais tempo em P6 ou P7.

ONDE

Inspetor → Seção de predefinições → Grupo „MCMC" → entrada „Balanced". Sufixo de UUID …007.

TÉCNICO

120 000 iterações MCMC com cap de 150 000 Gaussians. O nível intermediário do MCMC — quase o número final de Gaussians de P7 Quality, mas só 60 % das iterações. Empiricamente o L1-loss nas sessões de treinamento documentadas fica em 0.026–0.028 em Horse Full, contra 0.0246 do P7 — ou seja, cerca de 7 % mais alto, com metade do tempo de espera. Em um M3 Ultra tipicamente 8–15 minutos em 200 imagens. Usa um método que escala o cap efetivo de Gaussians de acordo com a densidade de pontos da nuvem SfM de entrada (ver T75 no Capítulo 6).

ONDE

Inspetor → Seção de predefinições → Grupo „MCMC" → entrada „Quality". Sufixo de UUID …004.

TÉCNICO

200 000 iterações MCMC com cap de 150 000 Gaussians, SSIM-loss 0.05, decaimento de noise MCMC ao longo de 80 % das iterações. Melhor L1 single-run nos 560+-experimentos: 0.0238 em Horse Full; média de 3 trials 0.0246 (contra 0.0230 do P4 na mesma cena). O MCMC entrega ainda 71 % menos Gaussians (150K vs ~524K) — decisivo se você quer publicar o resultado na web, porque a nuvem menor produz arquivos de export bem menores. Tempo de treinamento em um M3 Ultra tipicamente 20–35 minutos em 200 imagens; em sets de 1 000+ imagens, mais perto de 1–2 horas. Melhor escolha quando se busca máxima qualidade de imagem com tamanho final mínimo.

ONDE

Inspetor → Seção de predefinições → Grupo „Scene-Class" → entrada „Render (3D)". Sufixo de UUID …700.

TÉCNICO

Predefinição Scene Class para cenas sintéticas / tipo CGI (NeRF-Blender, Mip-NeRF 360 Flowers, sets de teste renderizados em Blender). O sweep Q7-BayesOpt (Trial T10 em flowers, Seed 7, Budget 20) determinou: mcmcMaxGaussians=1 189 511, mcmcCapMultiplier=2.98, ssimWeight=0.051, densifyGradThreshold=3.34e-06, mcmcNoiseScale=5.61e-05. Δ +0.36 dB de PSNR contra a baseline Quality-MCMC (17.67 → 18.03). O Mip-Splatting é deliberadamente desligado (veredito Q1.5 „closed no-win" de 2026-05-25), assim como o Sky Dome (cenas sintéticas não têm céu real). A principal alavanca é o limite 8× maior de Gaussians — cenas sintéticas com alpha limpo e texturas densas reagem muito a densidade mais alta. Tempo de treinamento em 200 imagens aproximadamente igual ao P7.

ONDE

Inspetor → Seção de predefinições → Grupo „Scene-Class" → entrada „Outdoor (tuned)". Sufixo de UUID …701.

TÉCNICO

Predefinição Scene Class para tomadas externas com céu real e grande faixa de profundidade (Mip-NeRF 360 Bicycle/Garden, ETH3D-Tunnel, voos de drone). O sweep Q7-BayesOpt (Trial T0 em bicycle, Seed 7, Budget 10) determinou: mcmcMaxGaussians=1 250 744, mcmcCapMultiplier=5.32, ssimWeight=0.082, skyDomeRadiusMultiplier=59.0. Δ +1.40 dB de PSNR contra Quality-MCMC (21.66 → 23.06) — todos os 9 trials válidos em bicycle ultrapassaram o limiar de +1.0 dB. Cenas externas reagem extremamente bem a orçamentos maiores de Gaussians (faixa de profundidade escalada) e ao Sky Dome V549e (pixels de céu projetados em torno da cena de forma esférica). Multiplicador de cap 5.32 permite à relocação MCMC amostrar de forma mais agressiva em regiões distantes da imagem. Mip-Splatting deliberadamente desligado (veredito Q1.5: chega a custar PSNR em outdoor). Recomendação na UI com o sufixo „(tuned)" — contra a contraparte indoor sem otimização, o salto de qualidade é mais de quatro vezes maior.

ONDE

Inspetor → Seção de predefinições → Grupo „Scene-Class" → entrada „Indoor". Sufixo de UUID …702.

TÉCNICO

Predefinição Scene Class para ambientes internos (Mip-NeRF 360 Bonsai/Kitchen/Room, Deep Blending playroom/drjohnson, ETH3D Storage Room). O sweep Q7-BayesOpt (Trial T6 em bonsai, Seed 7, Budget 8) determinou: mcmcMaxGaussians=669 215, mcmcCapMultiplier=1.76, densifyGradThreshold=1.67e-06, pruneOpacityThreshold=0.0142, ssimWeight=0.171. Δ +0.33 dB de PSNR contra Quality-MCMC (29.63 → 29.96). 3/8 trials passaram o limiar de +0.2 dB; 8/8 válidos (sem stall graças ao stall-guard de mtime). Ambientes internos reagem cerca da metade do que outdoor — Δ +0.33 vs +1.40 dB — com aproximadamente metade do orçamento de Gaussians (670K vs 1.25M). O motivo: a geometria limitada por paredes satura mais cedo; mais Gaussians acabam desperdiçados em superfícies planas de parede. Multiplicador de cap 1.76 é escolhido de forma conservadora para evitar collapse de MCMC (fenômeno da v1.4.3). Sky Dome e Mip-Splatting ambos desligados.