Stage 4：レンダリング

学習済み3DGSモデルから新規視点画像を生成します。

---

このステージの概要

graph LR
    A[✨ point_cloud.ply<br/>学習済みモデル] -->|render.py| B[📷 学習視点<br/>train/]
    A -->|render.py| C[📷 テスト視点<br/>test/]
    B --> D[📊 PSNR · SSIM · LPIPS]
    C --> D
    style A fill:#e1f5ff
    style B fill:#e1ffe1
    style C fill:#e1ffe1

推定所要時間： 約5分

---

コマンド

conda activate 3dgs

python render.py \
    -m /path/to/date_20260119/output \
    --iteration 30000

---

期待されるターミナル出力

Loading trained model at iteration 30000
Rendering train views: 100%|████████| 263/263 [03:12<00:00]
Rendering test views:  100%|████████| 66/66  [00:48<00:00]

---

品質指標の計算

python metrics.py -m /path/to/date_20260119/output

指標	本研究の結果	最低許容値
PSNR	23.71 dB	20 dB以上
SSIM	0.82	0.75以上
LPIPS	0.18	0.30未満

---

なぜレンダリングが形質抽出に重要か

このパイプラインが解決する核心問題

PLY座標を直接用いた草丈計測は日付間で意味のない結果を生みます（同じ植物が数日で0.81 m → 8.24 m → 11.17 mになるなど）。固定視点へのレンダリングによりこの問題を完全に解消します。

レンダリング画像は**正規化された画像空間**に存在するため、撮影日に関わらず植物が一定の割合でフレームを占め、スケール不変な形質抽出が可能になります。

---

バッチレンダリング

#!/bin/bash
for MODEL_DIR in data/*/output; do
    DATE=$(basename "$(dirname "$MODEL_DIR")")
    echo "レンダリング中：$DATE..."
    python render.py -m "$MODEL_DIR" --iteration 30000
    echo "✅ $DATE レンダリング完了"
done

---

次のステップ

→ Stage 5：形質抽出