Spirula Studio 捆绑调整(BA)深度解析GPU Cholesky 分解与 Schur 补如何让 3DGS 重建提速百倍【免费下载链接】spirula-studioCross-vendor 3D Gaussian Splatting trainer - video to splat to mesh, Vulkan or CUDA.项目地址: https://gitcode.com/GitHub_Trending/sp/spirula-studioSpirula Studio是一款跨厂商的 3D Gaussian Splatting3D 高斯泼溅训练器内置的捆绑调整Bundle Adjustment简称 BA模块是整个视觉重建流水线的最后一道工序它同时优化所有相机位姿和 3D 点位置让重建模型达到亚像素级精度。本文用通俗的方式带你读懂它的核心数学武器——GPU 上分块 Cholesky 分解与Schur 补降维以及项目如何在显存有限时自动切换到隐式 Schur 预条件共轭梯度PCG求解路径。一、捆绑调整BA到底是什么先建立一个直觉手机拍一组照片做 3D 重建SfM运动恢复结构时我们只知道特征点在哪张图的哪个像素却不知道相机在哪里、点在哪里。捆绑调整就是同时回答这两类问题的全局优化问题相机侧每张图 6 个自由度位置 3 朝向 3 一组内参点侧每个 3D 点 3 个自由度目标最小化所有投影残差——把 3D 点按当前相机参数投影回图像让它尽量落在特征点位置。这是一个巨大的非线性最小二乘问题。Spirula Studio 用Levenberg-MarquardtLM迭代求解而 LM 的每一次迭代都需要解一个对称正定的线性方程组——这正是 GPU Cholesky 分解登场的地方。在 Spirula Studio 中BA 是 SfM 流水线的最后一个阶段mapper 通过 src/sfm/map/Bundle.h 驱动它求解器主体在 src/sfm/ba/Solver.hLevenberg-Marquardt driver: owns GPU buffers, records each iteration (assembly → dense Cholesky or implicit-Schur PCG → updates) and runs the accept/reject loop on the host.二、第一步降维Schur 补把百万维问题缩成万维问题直接对相机参数 所有 3D 点联立方程组是不可行的——一个 4000 张图的重建3D 点可能有上百万个。经典技巧是Schur 补Schur Complement正常方程组的结构是[[B, A], [Aᵀ, D]]其中D对应 3D 点、按点对角分块每个点只和自己有关利用D的对角结构可以先把所有 3D 点消元掉得到一个只含相机参数的约化系统S B - AᵀD⁻¹A即 Schur 补矩阵约化系统的维度n_dim 6×相机数 内参数通常只有原来问题的不到 1/10。这就是为什么 BA 求解器只需要关心相机侧矩阵。Spirula Studio 的实现还有一个关键细节见 src/sfm/ba/README.md从不真正构造A_cp JcᵀJp矩阵而是让每个消费者都通过 2 维残差向量绕路计算把每条观测的内存从3×dof个标量降到 6 个——稠密路径上省 2.7 倍显存CG 路径省 2 倍。显存友好的 Schur 组装Schur 矩阵S本身需要累加组装。项目在 src/sfm/shaders/ba/ba.slang 中采用**按图像对聚合pair-aggregated**的组装方式每对图像一个 workgroup在寄存器里把两图共同看到的所有点的贡献求和后再写回完全避免原子操作相比旧实现单这一步快 3~6 倍。三、GPU Cholesky 分解从零手写、原地分块分解约化系统S是稠密对称正定矩阵。项目没有调用 cuBLAS 之类的库而是在 src/sfm/shaders/ba/cholesky.slang 中从零手写了一个 GPU 稠密分解器打包存储S只存下三角n(n1)/2个标量是方阵的一半内存分块右看式 Cholesky块大小 32chol_diag就地分解对角块 →chol_panel三角解面板 →chol_update做尾部更新cholesky.slang 中的chol_diag核函数融合三角代回前代/回代每个块只需一次 dispatch所有 workgroup 在共享内存里冗余地解同一个 32×32 对角系统——同一 dispatch 内本就没有 workgroup 间顺序这一招省掉了大量内核启动开销无冲突共享内存tile 行距填充到 33cholesky.slang#L24避免 bank conflictfp32 路径下尾部更新提速 2 倍。实测在 RTX 4080 上fp64 尾部更新达到该卡 fp64 ALU 峰值的约 80%——分解已是算力瓶颈再加大分块也不会更快。 为什么用 Cholesky 而不用 LU因为 LM 迭代中要反复求解的矩阵是对称正定的SPDCholesky 只需一半存储、一半运算且数值上更稳定。四、相机太多时怎么办隐式 Schur PCG 显存线性路径稠密 Cholesky 的代价维度复杂度时间O(n_dim³)相机数的立方显存O(n_dim²)打包矩阵当一个 4194 图重建的n_dim达到 25184 时稠密分解单次全局 BA 要94 秒 8.4 GB 显存。于是项目在 src/sfm/ba/Solver.h 中设置了自动切换阈值kDenseMaxDim 8192约 900 台相机超过后改用无矩阵隐式 Schur PCGsrc/sfm/shaders/ba/cg.slang永不构造S把Sx的乘积拆成逐点 gather 逐相机 scatter两个核函数用 Jacobian 路径已经算好的Jc/Jp/W在线计算块 Jacobi 预条件按每图像位姿 6×6 块 每内参组一块分区保持对称正定粗校正两级预条件给每簇连续帧 7 个相似变换自由度专治长轨迹的整体弯曲/漂移慢模态CG 迭代数平均降 40%整条 CG 循环录制在一个 command buffer标量状态放设备缓冲区收敛标志置位后所有内核自动空转LM 外层仍只需一次 cost 回读。结果同样的 4194 图问题2.6 秒 3.2 GB最终代价与稠密解到 7 位有效数字一致一个 6281 图、稠密路径直接爆显存需 15.4 GB的重建现在 4.4 GB 跑完全程。五、三种精度、四级兜底double / df / cpuGPU 浮点能力千差万别。求解器按设备能力自动降级src/sfm/ba/Solver.h配置需要典型设备doublefp64 算术 fp64 原子加NVIDIAdf模拟双精度int64 原子AMD / Intelfp32 高低位对约 49 位有效数floatfp32 原子加NVIDIA / AMDcpu无任何设备走主机 src/sfm/ba/SolverCpu.h自动链路是double→cpu主机路径就是同一个 LM 循环 同一套稠密/CG 线性求解器在 CPU 上以 fp64 运行最终代价与 GPU fp64 路径吻合到 7 位有效数字src/sfm/ba/SolverCpu.h。设备中途崩溃如 Windows TDR 看门狗超时时solveBundle会从最近 5 秒检查点继续用主机求解器接管——重建不会中断。六、亲手跑一次 GPU 捆绑调整构建与命令行入口都很直接# 构建Vulkan 后端 bash build_develop.bash -DSS_BACKENDvulkan # 对一个 COLMAP 稀疏模型跑全局 BA ./build_vulkan/spirula sfm ba /path/to/sparse/0 refined/0 # 在主机上跑设备不支持 fp64 原子时 ./build_vulkan/spirula sfm ba /path/to/sparse/0 /path/to/sparse/0 --real cpu # 单测GPU Cholesky 对 CPU 参考验证 ./build_vulkan/sfm_cholesky_test 500 --real df常用选项--solver auto|dense|cg强制求解路径、--vram-budget MB显存预算、--profile每内核 GPU 计时、--loss huber鲁棒核。详细选项与完整设计说明见 src/sfm/ba/README.md整个 SfM 模块概览见 src/sfm/README.md。七、写在最后Spirula Studio 的 BA 求解器把三件事做到了工业级水准Schur 补把百万维问题降维到相机参数尺度并靠隐式 A_cp 按对聚合组装把显存和原子操作压到最低手写的分块原地 GPU Cholesky在小问题上做到硬件峰值算力无需任何外部数值库矩阵-free PCG 两级预条件在大问题上把 O(n³)/O(n²) 换成显存线性4194 图重建从 94 秒降到 2.6 秒还顺带救活了原本直接爆显存的数据集。如果你也在做 3DGS、SfM 或神经渲染这套Cholesky / 隐式 Schur 自动切换的架构是一个值得细读的工程范本——所有关键代码都集中在 src/sfm/ba/ 与 src/sfm/shaders/ba/ 两个目录里欢迎按图索骥。【免费下载链接】spirula-studioCross-vendor 3D Gaussian Splatting trainer - video to splat to mesh, Vulkan or CUDA.项目地址: https://gitcode.com/GitHub_Trending/sp/spirula-studio创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考