本项目的核心目标非常明确：从单目转头短视频，实现静态头部的高保真重建（基于 3DGS）。

经历了前期的摸爬滚打，我目前已经将自己拍摄的一段视频，经过预处理、相机/位姿恢复、3DGS 训练与渲染评估，形成了一条可复现、可分析的实验链路。

为了厘清接下来的破局点，我需要对截至目前的整个实验历程进行一次彻底的“全盘复盘”。

一、 实验总阶段概览

从项目启动至今，我将其划分为 5 个清晰的阶段：

  1. 官方 Baseline 验证： 证明 AutoDL + RTX 4090 + 官方 3DGS 仓库的底座可用。
  2. 第一版自有数据（A_set）： 首次将自己的视频转化为图片，并强行送入链路。
  3. 第一版数据 Baseline 验证： 验证自有数据可以跑通，但暴露出严重的“视角分布失衡”问题。
  4. 重拍与第二版数据（B_set）： 解决数据分布问题，构建更健康的 COLMAP 工程。
  5. 有效训练与诊断： 派生 GS 兼容目录，完成第二轮有效训练，并开始深度 Failure Analysis。

二、 11 次核心实验推演：我是如何一步步逼近真相的？

如果按“真正跑过的主实验链路”来细数，我一共经历了 11 次关键的迭代：

  • Exp 0-2 (验证与试错)： 跑通了官方 Demo，并用第一版极不均衡的自有视频（A_set）跑通了 Baseline。这让我第一次在自己的数据上看到了真实的 Failure，意识到问题大概率在数据分布而非模型本身。
  • Exp 3-5 (重构数据源)： 痛定思痛，重拍视频并引入时间均衡筛帧，得到最核心的源数据 B_set/images。随后成功构建原始 COLMAP 工程，得到 database.db 与稀疏点云。
  • Exp 6-7 (撞墙与诊断)： 试图直接用 B_set 训练 3DGS，遭遇 only undistorted datasets supported 的相机模型报错。这逼迫我去诊断 COLMAP 产物，最终确认 sparse/1 才是真正健康的主模型（80 张图全注册，6553 个点）。
  • Exp 8-9 (有效训练)： 从健康的 sparse/1 派生出官方 3DGS 可用的兼容目录 B_set_gs_s1，并成功完成了第二轮真正有效的训练（PSNR 达到 26.3）。
  • Exp 10-11 (核心危机出现)： 在做渲染结果评估时，我发现了当前最致命的问题——完整脸丢失。我发现源头 B_set/images 里明明有完整的脸，但在送入训练的 B_set_gs_s1/images 目录里，脸却被莫名其妙地裁剪或丢失了。

三、 沉淀与反思：数据血统的纯净度

经过这 11 次实验，我目前最大的收获是对“数据可信度”的重新分级：

  • 绝对可信的源头： B_set/images。
  • 已被污染/不可信的环节： 从 COLMAP 生成到 GS 目录转换的中间过程，大概率截断了我的有效像素。

这意味着，我当前的有效 Run 评估的仅仅是“局部脸 / 窄视野版本”的质量，而非完整的全头重建。

科研感悟： 我现在最重要的科研认识已经不是“环境怎么配”或者“3DGS 能不能跑通”。我已经真正进入了**“实验设计与归因”**阶段。

我开始关心：哪一层是可信输入？哪个转换步骤引入了系统性破坏？哪一轮结果可以当科学证据？

接下来的破局之战，就是要把 B_set/images 当作唯一可信的输入，将后续所有的预处理与转换步骤，重新标准地走一遍。