开源|FriendlySplat:3DGS全流程工具链,科研高效落地便捷!

发布时间:2026.03.17
分享:

三维重建是空间智能的核心基石,而3D Gaussian Splatting(3DGS)作为高保真、高效率的场景表征技术,更是构建空间智能、打造让机器人自由漫游的仿真导航环境的关键支撑——它能快速还原真实场景细节,为具身智能的落地提供精准的虚拟空间基础。

但目前行业现状却不尽如人意:现有开源工作大多是服务于论文复现的Demo级仓库,科研工作者常常被零散功能拼接、实验复现困难所困扰;而对于没有重建技术背景、只是想尝试场景重建的普通用户,复杂的环境配置、晦涩难懂的超参设置,更是让人望而却步。

正是基于这样的痛点,我们正式开源 FriendlySplat——一款基于3DGS的全流程3D重建工程化平台。它致力于将散落在社区各个仓库的实用特性统一整合到一个框架中,同时提供完善的消融实验支持和详细的使用文档,既能满足科研/工程师的深度需求,也能让普通用户轻松实现高质量3D重建!

01

工具概述

FriendlySplat 核心定位是服务3DGS研究者与开发者,并非封闭的“一键出结果”软件,而是易读、易改、可扩展的轻量化实验框架,核心优势有三,精准解决行业痛点:

「全链路覆盖」:打通数据预处理、训练、下游重建与分割全流程,无需拼接零散代码;

「高可定制性」:代码清晰、注释友好,适配消融实验与二次开发,不被黑盒束缚;

「SOTA内置集成」:整合领域主流特性,开箱即用,兼顾科研效率与普通用户门槛。

基于这些优势,FriendlySplat 精准适配两类核心受众:

对于科研/技术工程师,本仓库仅需简单参数设置即可完成各类消融实验,代码框架简洁且自说明,便于二次开发;

对于普通用户,无需理解底层原理,凭借统一CLI命令即可一键配置环境、启动训练,轻松实现快速高质量重建。

02

工具框架

FriendlySplat 采用模块化3DGS训练循环设计,基础训练链路可覆盖场景解析、高斯点初始化、渲染与优化等核心步骤,并预留扩展接口,支持几何先验、剪枝等多种可选模块,可按需灵活启用;同一流水线还实现全流程闭环支持,可保存检查点、导出高斯点、评测效果,并无缝衔接下游几何处理流程。

以上框架示意图清晰呈现了FriendlySplat的模块化设计逻辑,结合其核心特性,可进一步实现高效、精准的3D重建需求,具体如下:

图片

03

核心特性

几何监督 + 网格提取


FriendlySplat 利用Moge、Pi3等模型提供的深度和法线先验作为弱监督,即便在无纹理区域也能实现稳定收敛,同时支持TSDF(截断符号距离函数)风格的网格提取,满足下游机器人导航碰撞检测等需求。

高比例剪枝

FriendlySplat 集成了硬剪枝(PUP-GS)与软剪枝(GNS)两种主流剪枝算法,兼顾剪枝精度与灵活性,适配不同场景下的使用需求。目前实现的剪枝算法支持高比例剪枝操作,能够在保证重建效果不受明显影响的前提下,实现显著的模型压缩,有效降低部署成本与运行开销。

灵活2D到3D转换


FriendlySplat 集成类MaskClustering算法,可高效将2D掩码转化为结构一致的3D掩码,为下游应用提供可靠的粗粒度分割结果与精准的3D边界框。

高效实时查看器


实时查看器能可视化训练指标、渲染状态及相机视锥体,无需等待即可进行早期诊断和即时进度跟踪。

04

项目入口与共建邀请

FriendlySplat致力于让3DGS研究更友好、更高效,目前已正式开源,欢迎所有研究者与开发者参与使用、共建完善。

GitHub地址:https://github.com/AshadowZ/FriendlySplat

官网文档:https://ashadowz.github.io/FriendlySplat/

License: Apache-2.0

期待大家Star、Fork、提交PR,一起打磨这款3DGS全流程工具,推动领域技术更快迭代!

作者简介

郭廉杰

图片

浙江大学控制学院 硕士研究生

微分智飞算法实习生

研究方向:机器人感知与自主导航
邮箱:lianjie.guo555@gmail.com

END

如有相关问题 扫码添加小助手

图片

图片

关注公众号 了解更多内容

图片

图片

点击“阅读原文”,查看更多