【2026 最新】InfiniSplat v2 教學：自己的照片怎麼變 3D 場景？五步上手、三種相機模式與匯出驗收

你拍了書桌的正面、左側和右側，想讓朋友打開檔案，就能繞著它看。InfiniSplat v2 教學要解決的正是這件事：把多張重疊照片轉成可瀏覽的 3D Gaussian 場景，再確認它在換視角後仍像原來的空間。

這篇寫給第一次接觸 3D 重建、願意在終端機逐步操作的讀者。先看懂相機模式，再依官方流程安裝、準備自己的照片、匯出 PLY 與 HTML。指令以 2026 年 10 月 19 日查閱的固定版本為基礎；本文整理操作與驗收方法，未在 NVIDIA GPU 執行推論。

先說結論：InfiniSplat v2 教學先記住「照片＋相機線索→可瀏覽場景」

照片＋相機線索→Gaussian 場景；能打開、看得對、尺寸對，要分開驗收。把它想成把許多張照片拼成一座可以轉頭觀看的舞台。相機線索說明每張照片從哪裡拍、鏡頭怎麼看，會影響這座舞台如何對齊。

• 手上只有照片：先用預設 da3-pose，讓 DA3 估一份相機線索。
• 已有匹配的相機資料：用 provided；要觀察省略相機前置估計的差異，再明確選 pose-free。
• 第一次先用少量照片和較低解析度跑通，再增加工作量。漂亮的預覽與可用的場景，各自留下證據。

一、先懂三個零件：照片、相機與 Gaussian

3D Gaussian Splatting（3D 高斯潑濺，常寫成 3DGS）用帶有位置、形狀、顏色與不透明度的許多小橢球呈現場景。你可以把它想成一團有方向、會透光的彩色筆觸。它適合從新視角觀看；交付內容是這些筆觸及其屬性，與拿到可直接編修的三角網格模型是不同成果。

InfiniSplat v2 的「feed-forward」表示模型讀取輸入後直接預測場景。原論文把幾何與外觀屬性分開處理，並用大角度目標視角訓練；公開範例說明此處流程輸出原生 Gaussians，並不進行逐場景最佳化。換句話說，先交出一份重建結果，品質仍要對回你的照片。

Pose（位姿）是相機的位置與朝向；intrinsics（內參）則像鏡頭的視野說明書，包含焦距與主點。DA3 是 Depth Anything 3，這裡負責提供幾何與相機線索。pose-free 指跳過相機前置估計，不代表整個重建過程不需要幾何推理。

想先知道交付物長什麼樣，可開啟官方 Demo，選擇 Bedroom 範例，再按 Explore in 3D。頁面提供預先計算的場景，能先體會拖曳轉視角與滾輪縮放；下方截圖是官方範例介面，沒有提交照片或啟動推論。

二、InfiniSplat v2 教學：五步完成第一個可瀏覽場景

①「先備妥工作桌」：固定版本與獨立環境

下載了程式卻不知能不能跑？先確認 CUDA，再裝相依套件。官方安裝指南要求 Python 3.10–3.12、NVIDIA GPU 與相容的 PyTorch。這份配方以 Linux 終端機為起點；Mac 讀者可以先準備照片與驗收清單，推論部分留到已具備的相容設備。

git clone https://github.com/zju3dv/InfiniSplat.git

cd InfiniSplat

git checkout 8bd68db6b49b2acc3f2f1824e2881f1bd95ceff0

cd InfiniSplat_v2

python3.12 -m venv .venv

source .venv/bin/activate

python -m pip install --upgrade pip

若機器上的 Python 命令名稱不同，先執行 python3 --version，確認落在支援範圍後再用它建立環境。接著到 PyTorch 官方安裝選擇器，依你的系統與驅動取得 CUDA 配方，在剛建立的環境執行；不要把別人的 CUDA 版本直接套進自己的機器。完成後依序安裝：

python -m pip install .

python -m pip install --no-deps 'depth-anything-3 @ git+https://github.com/ByteDance-Seed/Depth-Anything-3.git@41736238f5bced4debf3f2a12375d2466874866d'

python -c "import torch; print(torch.__version__, torch.cuda.is_available())"

infinisplat --help

CUDA 檢查應顯示 True，且說明頁能列出參數。這兩項通過，才進入下載權重。DA3 的固定 revision 要保留，因為此版本使用其內部網路結構。

python scripts/download_weights.py --repo-id Edisoneh/InfiniSplat-v2 --revision 354291629c6b3b8941a761018c3bd52921d3d067 --output weights/da3

權重目錄應有 config.json 與 model.safetensors；下載腳本會核對設定內的 SHA-256，並要求新的輸出目錄。把程式 commit、模型 revision、GPU、驅動和套件版本另存，後面才知道比較的是哪一份配方。

②「先借官方題目」：用範例檢查環境

自己的照片失敗，怎麼分清是安裝還是拍攝問題？先跑官方範例。從同一模型倉庫下載範例壓縮檔，約 90.4 MB；這是範例資料大小，權重另計。以下都在 InfiniSplat_v2/ 執行：

hf download Edisoneh/InfiniSplat-v2 examples-png.zip --revision 354291629c6b3b8941a761018c3bd52921d3d067 --local-dir .

python -m zipfile -e examples-png.zip .

infinisplat --model weights/da3 --images-dir examples/data/dtu_provided/images --cameras examples/data/dtu_provided/cameras.npz --long-side 224 --output result_example_224 --no-html

這條保留官方 DTU 範例的 32 張輸入，只降低長邊。成功後查看輸出檔與紀錄；若顯存不足，先回到自己的 2–4 張重疊照片，用相同低解析度做小檢查，別把「範例太大」誤記成安裝一定壞了。範例影像另有資料集條款，見其 資料說明。

③「拍同一座舞台」：準備自己的靜態照片

轉到側面就破洞？先增加共同看見的內容。第一次建議拍書桌一角：書、盒子與牆面保持不動，沿小弧線移動手機，讓相鄰照片都看得見同一組邊緣和紋理。避免移動人物、嚴重模糊和大幅曝光變化；這些也是 官方相機準備指南列出的檢查項目。

自己練習可先拍 8 張重疊照片作輸入，另拍 1 張略偏側面的照片留在 holdout/，不送進重建或相機估計。8＋1 是這篇建議的小練習配置。把輸入依序命名為 001.jpg 到 008.jpg，直接放在 images/，並另存原始檔。拍攝空間先收掉姓名、螢幕內容與私人文件。

CLI 按檔名順序讀取資料夾內圖片。若稍後用 COLMAP，先把照片轉到正確方向並保存成實際像素，再估相機；標定後繼續旋轉或裁切圖片，會讓影像與內參不再對應。第一次跑自有照片可用：

infinisplat --model weights/da3 --images-dir images --pose-mode da3-pose --long-side 224 --output result_own_check --no-html

確認流程完成後，再以預設長邊 518 重建一份新結果。每次換新的輸出目錄，保留失敗日誌；這樣才不會讓後一次結果覆蓋前一次問題。

④「三份配方，共用底片」：公平比較相機模式

想知道哪一種適合自己？先固定輸入，再改相機條件。只有照片時先比較 da3-pose 與 pose-free。要加入第三組 provided，可先安裝 COLMAP 並確認 colmap -h，再估一份相機模型：

python scripts/prepare_colmap.py --images images --output prepared

完成後，使用 prepared/undistorted/images 的已註冊、去畸變圖片，讓三組全部改用這個相同資料夾；不要讓 A、B 用原照片，C 卻用另一批處理後照片。如果有照片未註冊，就把共同輸入縮到同一組成功註冊的檔案，另記實際數量。

infinisplat --model weights/da3 --images-dir prepared/undistorted/images --pose-mode da3-pose --long-side 518 --output compare_da3 --no-html

infinisplat --model weights/da3 --images-dir prepared/undistorted/images --pose-mode pose-free --long-side 518 --output compare_free --no-html

infinisplat --model weights/da3 --images-dir prepared/undistorted/images --colmap prepared/undistorted/sparse_txt --long-side 518 --output compare_provided --no-html

第三條提供相機後，CLI 會選 provided。這裡的「provided」描述輸入來源，不代表 COLMAP 估計就是真值。若重建拆成互不相連的相機群，先照官方指南選一個連貫模型重做準備，別把不同座標系拼成同一組。

已有校正資料的人，也能用 --cameras cameras.npz：c2w 是形狀 [N,4,4] 的 OpenCV camera-to-world；intrinsics 是 [N,3,3] 的原輸入圖片像素內參，兩者都要跟圖片順序一致。先照 相機格式文件核對；不要把另一次輸出的相機檔當成原始內參直接塞回去。

⑤「交付能開啟的檔案」：PLY 與 HTML 分開確認

有 scene.ply，朋友卻不知道怎麼開？加裝官方指定的獨立 viewer 轉換器。先具備 Node.js／npm，再在專案環境執行：

npm install --prefix .tools/splat @playcanvas/splat-transform@2.6.0

export PATH="$PWD/.tools/splat/node_modules/.bin:$PATH"

splat-transform --version

接著可把既有 PLY 轉成 HTML，省去重新推論；以下 Python 指令沿用目前的虛擬環境：

python -c "from infinisplat import export_html; export_html('compare_da3/scene.ply', 'compare_da3/scene.html')"

另外兩組把路徑改為 compare_free 與 compare_provided，各自轉換。未來直接執行 CLI 時，移除 --no-html，就會一併匯出 viewer；Python API 則要明確要求 HTML。

先自己在瀏覽器打開 scene.html，再複製到另一個位置重開。官方說明它是可獨立開啟的 SH0 viewer；轉換器會檢查 PLY 與輸出標記，失敗時保留 PLY、不留下半成品 HTML。若畫面顛倒，先查場景的朝上方向與展示轉換；旋轉展示畫面，也要跟原 PLY 座標分開記。

三、驗收怎麼做？把「漂亮」拆成四張檢查單

先沿著輸入相機附近慢慢移動，再到照片較少涵蓋的側面。每組保存同樣位置的截圖，觀察破洞、漂浮點、重複邊緣與視角跳動。留出的照片可當人工對照，檢查書脊、盒角和前後遮擋。手動移到「差不多角度」適合找問題；要計算影像誤差，還需要精確對齊的測試相機與一致的渲染流程。

• 可開啟：PLY 是否生成、HTML 是否真的能轉動和縮放。
• 畫面一致：三組在相似視角有沒有破洞、漂浮點或幾何變形。
• 資源成本：同一硬體記完整牆鐘時間、顯存觀察值、檔案大小；相機準備與 HTML 轉換分開計時。
• 座標與尺度：記清輸出座標系，再決定是否需要額外尺度校正。

最後一項特別容易漏。匯出程式與官方指南說明，PLY 留在原生 RDNorm 空間，未必是公尺或你預想的世界座標；即使提供 COLMAP 相機，也會做尺度對齊。因此，能看到一張像樣的桌子，並不等於已知道它有幾公分寬。需要尺寸時，以已知長度建立比例、另外檢查幾個量測點，再決定用途。

推論輸出的 result.json 保存輸入／輸出雜湊、模式、前處理和統計資訊；它適合對帳，並非論文評測通過證明。把這份紀錄與截圖一起保存，做法可接到 AI Evals 教學的「先定成功條件，再看結果」。

四、卡住時先退哪一步？模式選擇與常見坑

只有照片，先選 da3-pose；要拆解相機前置估計的影響，再加 pose-free；已有對應校正資料，或願意先做 COLMAP，才加入 provided。這是操作起點，不是本文測出的品質排序。兩組都壞時，先查共同的照片、模型與環境，再把原因推給模式。

• CUDA 顯示 False：回頭核對 PyTorch 與 NVIDIA 驅動，先完成環境檢查。
• 顯存不足：官方建議從 2–4 張、--long-side 224 起步，逐步增加。照片數與解析度每次只改一項。
• 相機對不上：核對檔名、圖片尺寸、旋轉、去畸變版本與相機順序。
• 輸出目錄已存在：換新名稱重跑，保留原有結果。
• HTML 失敗：先看轉換器版本和 PATH，保留 PLY，再獨立處理 viewer。

使用前也要讀 PRL v1.0 授權：純學術研究、教育、評估與個人用途可免費使用且免登記；公司或組織的專案使用，即使是非商業、內部測試，也要求事前登記。完整正確送出登記後自動取得該專案的使用許可，無需等核准或付費。第三方元件與資料集各有條款，不能只讀專案首頁的一句「免費」。

至於論文重現，本篇只設計自己的小場景對照，不宣稱重跑完整 benchmark。研究裡的資料、相機、目標視角與指標是一整套考卷；在你的桌子上比較三組輸出，可以回答自己的作品需求，不能直接換算成論文排名。

InfiniSplat v2 教學 FAQ：八個直接答案

1. 手機能直接完成整套推論嗎？

這份教學走 NVIDIA CUDA 電腦流程。手機負責拍照；把檔案交到已具備相容 GPU 的環境，再照步驟重建。

2. 要先有相機資料才能開始嗎？

不必。沒有相機輸入時預設走 da3-pose；provided 則使用你提供且與照片匹配的相機資料。

3. pose-free 一定比較快、比較差嗎？

要量。它省略相機前置估計，但整體時間與成品品質要在同一組輸入和設備下分開記錄。

4. provided 就代表相機是正確答案嗎？

不代表。COLMAP 的估計也有誤差；輸入格式、照片對應與重建結果仍要各自檢查。

5. 圖片越多越好嗎？

先看重疊與資源。此版 CLI 預設上限 32 張，可用 –max-views 50 放到 50 張；這是介面容量，品質還取決於照片與相機。

6. PLY 能當成公尺尺度模型嗎？

不能直接這樣認定。官方輸出使用原生 RDNorm 空間，要另做尺度與座標驗證。

7. 留一張照片，就算重現論文評測嗎？

不算。它可作人工品質檢查；定量評測還需要精確測試相機、渲染設定與完整協定。

8. 今天沒有 GPU，可以先完成什麼？

先拍一組沒有私人內容的靜態照片，編好順序、留出對照圖，寫下四張驗收單；取得相容環境後再填推論結果。

給新手的三個重點

• 先用官方題目確認環境，再把自己的照片送進去。
• 三模式比較先固定共同照片，別把前處理差異誤算成模式差異。
• 作品能看、視角可信、資源可負擔與尺度正確，各自驗收。