Kapitel 7 — Indbyggede kvalitets-forudindstillinger

VAR

Inspector → Presets-sektion → gruppe „Classic" → post „Quick". UUID-suffiks …001.

TEKNISKT

Diagnose-preset med 1 000 iterationer, klassisk (adaptiv) densification-strategi og en træningsopløsnings-skalering på 0.25× (input-bilden formindskes til 25 % före træningen). Ska inte bruges til levering av en scen, men snabbt hitta ud av, om opsætningen (kamerapositioner, punktmoln, bild-serie) overhovedet visar meningsfuld bevægelse i loss-værdierne. På en M3 Ultra typiskt under 30 sekunder på 50–200 bilder. Den lille upplösning tilslører den ægte billedkvalitet, men holder minnes-forbrug og render-arbejde meget lavt. Vælges också automatisk som default vid første start, om systemet har mindre end 10 GB RAM.

VAR

Inspector → Presets-sektion → gruppe „Classic" → post „Preview". UUID-suffiks …002.

TEKNISKT

5 000 iterationer Classic-densification, 0.5× opløsnings-skalering, dobbelte inlärningshastigheter i forhold til standard. Densification (klon + split) er aktiv over de første 2 500 iterationer, därefter kun pruning. Default-preset for systemer med ≥ 10 GB RAM. På en M3 Ultra typiskt 90 sekunder til 3 minutter på en 200-bild-scen. Giver et brugbart indtryk av geometrien og kamera-posen, men teksturer er tydeligt blødtegnet — 0.5× render-opløsningen lader sig inte direkte omgå vid at träna igen med P3 eller P4, fordi læringsraterne er kalibreret til den halve upplösning.

VAR

Inspector → Presets-sektion → gruppe „Classic" → post „Balanced". UUID-suffiks …005.

TEKNISKT

20 000 iterationer Classic-densification vid fuld bild-upplösning. Densification kører over de første 15 000 iterationer, fra iter 3 000 med et densify-interval på 100. Empirisk det „sweet spot" fra de dokumenterede trænings-sessioner: vid klassisk densification på Horse Full og Truck stabiliseres L1-loss mellan iter 18 000 og 22 000, en længere träning giver inte længere signifikant forbedring under Quality (P4). På en M3 Ultra typiskt 30–60 sekunder på 200 bilder, 5–8 minutter på 1 000+ bilder.

VAR

Inspector → Presets-sektion → gruppe „Classic" → post „Quality". UUID-suffiks …003.

TEKNISKT

35 000 iterationer Classic-densification med V546-„Opacity Decay" (HTGS, Eurographics 2025): efter hver densify-cyklus multipliceres opacity av alle eksisterende gaussians med en faktor < 1.0, vilket pålideligt fjerner gaussians, der er blivit inaktive, vid pruning og dermed opnår 14 % bedre L1-loss end den klassiske 35 000-kørsel vid samme iter-antal. SSIM-loss er aktiveret (ssimWeight=0.05). På en M3 Ultra typiskt 2–4 minutter på 200 bilder. Leverer på NeRF-Blender (Lego, Chair, Drums) final L1 ≈ 0.023 — bedste Classic-variant i de 560+ dokumenterede experiment. Obs: kræver ~3–5 GB GPU-minne; på 8-GB-systemer er P3 det sikre valg.

VAR

Inspector → Presets-sektion → gruppe „MCMC" → post „Preview". UUID-suffiks …006.

TEKNISKT

60 000 iterationer MCMC-densification (3DGS-MCMC, NeurIPS 2024) vid et cap på 100 000 gaussians. MCMC erstatter den heuristiske klon/split-logik med Markov-Chain-Monte-Carlo-relocation: døde gaussians placeres på ny via sigmoid-vægtede sampling-dybder, vilket giver et kontrolleret og reproducerbart antal gaussians. Cap'et lægger låg på det maksimale antal hårdt vid 100K — det sparer minne og render-tid, men koster detalje. På en M3 Ultra typiskt 5–8 minutter på 200 bilder. Egnet som „MCMC-funktionstest" — hjælper med at vurdere, om et skift fra Classic til MCMC ville være meningsfuldt, före du investerer mere tid i P6 eller P7.

VAR

Inspector → Presets-sektion → gruppe „MCMC" → post „Balanced". UUID-suffiks …007.

TEKNISKT

120 000 iterationer MCMC vid et cap på 150 000 gaussians. Det mellemste MCMC-trin — næsten det endelige gaussian-antal fra P7 Quality, men kun 60 % av iterationerne. Empirisk ligger L1-loss i de dokumenterede trænings-sessioner på 0.026–0.028 på Horse Full, mod P7 med 0.0246 — altså rundt 7 % højere, til gengæld halv ventetid. På en M3 Ultra typiskt 8–15 minutter på 200 bilder. Bruger en metode, der skalerer det effektive gaussian-cap til punktdensiteten i input-SfM-punktskyen (se T75 i kapitel 6).

VAR

Inspector → Presets-sektion → gruppe „MCMC" → post „Quality". UUID-suffiks …004.

TEKNISKT

200 000 iterationer MCMC vid et cap på 150 000 gaussians, SSIM-loss 0.05, MCMC-noise-decay over 80 % av iterationerne. Best-single-run-L1 i de 560+ experiment: 0.0238 på Horse Full, gennemsnit over 3 trials 0.0246 (mod P4 0.0230 på samme scen). MCMC leverer samtidig 71 % færre gaussians (150K vs ~524K) — afgørende, om du vil levere resultatet på nettet, fordi den mindre sky giver markant mindre eksport-filer. Træningstid på en M3 Ultra typiskt 20–35 minutter på 200 bilder; på 1 000+ bild-sæt nærmere 1–2 timer. Bedste valg, om maksimal billedkvalitet vid minimal slutstørrelse ønskes.

VAR

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

TEKNISKT

Scene-Class-preset til billedsyntetiske / CGI-agtige scener (NeRF-Blender, Mip-NeRF 360 Flowers, Blender-renderede testsæt). Q7-BayesOpt-sweep (trial T10 på flowers, seed 7, budget 20) fandt: 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 bevidst slået fra (Q1.5-„closed no-win"-verdict 2026-05-25), sky-dome ligeledes slået fra (syntetiske scener har ingen rigtig himmel). Hoved-håndtaget är den 8× større gaussian-overgrænse — syntetiske scener med ren alpha og tætte teksturer reagerer stærkt på højere densitet. Træningstid på 200 bilder cirka som P7.

VAR

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

TEKNISKT

Scene-Class-preset til udendørs-optagelser med ægte himmel og stort dybdeområde (Mip-NeRF 360 Bicycle/Garden, ETH3D-Tunnel, droneflyvninger). Q7-BayesOpt-sweep (trial T0 på bicycle, seed 7, budget 10) fandt: mcmcMaxGaussians=1 250 744, mcmcCapMultiplier=5.32, ssimWeight=0.082, skyDomeRadiusMultiplier=59.0. Δ +1.40 dB PSNR mod Quality-MCMC (21.66 → 23.06) — alle 9 valide bicycle-trials brød +1.0-dB-tærsklen. Outdoor-scener reagerer ekstremt stærkt på højere gaussian-budgetter (skaleret dybdeområde) og på V549e-sky-dome'en (sfærisk projicerede sky-pixler omkring scenen). Cap-multiplier 5.32 tillader MCMC-relocation at sample mere aggressivt i fjerne billedregioner. Mip-splatting bevidst slået fra (Q1.5-verdict: koster endda PSNR på outdoor). Anbefaling i UI'en med suffiks „(tuned)" — mod den inte-tunede indoor-pendant er kvalitetsspringet over fire gange så stort.

VAR

Inspector → Presets-sektion → gruppe „Scene-Class" → post „Indoor". UUID-suffiks …702.

TEKNISKT

Scene-Class-preset til indendørs rum (Mip-NeRF 360 Bonsai/Kitchen/Room, Deep Blending playroom/drjohnson, ETH3D Storage Room). Q7-BayesOpt-sweep (trial T6 på bonsai, seed 7, budget 8) fandt: mcmcMaxGaussians=669 215, mcmcCapMultiplier=1.76, densifyGradThreshold=1.67e-06, pruneOpacityThreshold=0.0142, ssimWeight=0.171. Δ +0.33 dB PSNR mod Quality-MCMC (29.63 → 29.96). 3/8 trials brød +0.2-dB-tærsklen, 8/8 valid (ingen stall takket være mtime-stall-guard). Indendørs rum reagerer rundt halvt så stærkt som outdoor — Δ +0.33 vs +1.40 dB — vid cirka halvdelen av gaussian-budgettet (670K vs 1.25M). Grunden: geometri begrænset av vægge mætter tidligere; flere gaussians spildes på flade vægflader. Cap-multiplier 1.76 er bevidst valgt konservativt for at undvika MCMC-collapse (fænomen fra v1.4.3). Sky-dome og mip-splatting begge slået fra.