一个二进制干掉整个 Python 工具链：Spirula Studio 把 3D 高斯泼溅塞进 8GB 显存

GitHub Trending 深度研究 | 2026-09-23

项目: harry7557558/spirula-studio

语言: C++ | 协议: GPLv3 | 今日 Stars: +99

---

一句话结论

Spirula Studio 不是又一个 3DGS 训练器，而是对"3D 重建工具链"的一次去 Python 化重构。 当所有人都在 PyTorch + COLMAP + 各种 pip install 里打转时，作者用一个 C++ 二进制把从视频到网格的完整流程塞进了一个可执行文件——还顺手支持了 NVIDIA、AMD、Intel、Apple 全家 GPU。

---

场景开篇：一个典型 3DGS 工作流的崩溃

如果你做过 3D Gaussian Splatting，应该熟悉这个流程：

1. 装 CUDA、PyTorch、各种 Python 依赖（两小时） 2. 装 COLMAP 做 SfM（又一小时，还经常编译失败） 3. 写脚本提取视频帧、做掩码 4. 训练（显存炸了，调 batch size） 5. 导出网格（又得装另一个工具）

然后换一台机器，全部重来。

Spirula Studio 的作者 harry7557558 显然也被这个过程折磨够了。他的解决方案很暴力：把所有东西编译成一个二进制。下载、解压、双击，完事。

---

核心创新：不是算法，是工程

1. 跨厂商 Vulkan 后端

这是 Spirula 最反常的地方。3DGS 训练几乎被 CUDA 垄断——所有主流实现（原版 3DGS、gsplat、INRIA 的参考实现）都假设你有 NVIDIA 显卡。

Spirula 用 Vulkan compute 做训练后端，直接打通了：

这不是"理论上支持"——Vulkan 后端是推荐选项，比 CUDA 后端更成熟。作者在 README 里明确说："Vulkan backend is the most tested."

类比：这就像一个视频编解码器不绑定 NVIDIA NVENC，而是用 Vulkan Compute 让所有显卡都能硬编。不是技术做不到，是没人愿意做——因为 CUDA 生态太舒服了。

2. 8GB 显存训 1000 万高斯

3DGS 的显存问题是出了名的。1000 万个全 SH3 高斯，原版实现至少要 24GB 显存。Spirula 用量化训练把同样的规模压进 8GB。

这不是魔法，是工程优化：

• 量化训练：梯度累积期间用低精度存储
• 自适应策略：根据显存动态调整 batch
• MCMC/IGS+/MRNF 三策略合一：更少浮点、更锐利

类比：就像手机拍照的 HDR+——不是传感器更好，而是计算摄影把每一点光子都榨干了。

3. 全流程内置

Spirula 把这些步骤全部内置：

• SfM（运动恢复结构）：内置，不用装 COLMAP
• AI 掩码：自动分离前景背景
• 视频帧提取：直接喂视频
• 360° 相机支持：原生鱼眼、等距柱状投影
• 网格导出：训练完直接出 mesh
• 度量尺度恢复：9 月 10 日新功能，用视频元数据恢复真实尺度

类比：从"组装电脑"变成"买品牌机"。每个零件都不是最强的，但整合度最高。

---

技术路线选择：为什么是 Vulkan？

3DGS 训练的核心运算是大规模矩阵乘法和高斯光栅化。CUDA 在这个领域有绝对优势——cuDNN、CUTLASS、warp-level primitives 都是 NVIDIA 的护城河。

但 Spirula 选择了 Vulkan compute，原因很现实：

1. 覆盖率：全球 PC 显卡里，NVIDIA 只占约 20-30%。剩下 70%+ 是 AMD/Intel/Apple。3DGS 如果只能跑在 NVIDIA 上，永远是小众工具。 2. 部署：Vulkan 是跨平台图形 API，Windows/Linux/macOS 都支持。CUDA 绑定 Linux 最好，Windows 次之，macOS 完全不支持。 3. 未来：Apple Silicon 的 GPU 算力已经不可忽视。M3 Max 的 GPU 性能足以训练中等规模 3DGS，但 CUDA 把这条路堵死了。

代价：Vulkan compute 的生态远不如 CUDA 成熟。没有 cuDNN 级别的库，很多运算要手写 shader。Spirula 的代码量比纯 CUDA 实现大得多。

这是一个典型的短期成本换长期覆盖率的决策。

---

时间线：从 CUDA 到全厂商

两个月内从"CUDA only"变成"全厂商 + 全流程"，这个迭代速度很猛。

---

和主流 3DGS 工具的对比

Spirula 的定位很清晰：开源、全流程、全厂商。在这个象限里，它几乎没有竞争对手。

---

谁应该用？

• 3D 摄影爱好者：有 AMD/Intel 显卡的，终于不用借 NVIDIA 机器了
• 测绘/GIS 从业者：360° 相机 + 度量尺度恢复，直接出可用的场景重建
• 电商/文物扫描：视频进去、网格出来，不需要懂 Python
• 3DGS 研究者：想快速复现基线的，二进制比 pip install 靠谱

不适合：

• 需要魔改训练算法的（源码可编译，但 C++ 门槛比 Python 高）
• 追求极致性能的（Vulkan 比 CUDA 慢几个百分点）
• 已有 CUDA 工作流且运行良好的（没必要换）

---

我的看法

Spirula Studio 让我想到一个被忽视的工程哲学：最好的工具不是功能最强的，而是覆盖率最高的。

3DGS 领域不缺 CUDA 实现，不缺论文复现，缺的是一个"双击就能用"的东西。Spirula 做了一件吃力不讨好的事——用 Vulkan 重写整个训练栈，只为了让 70% 的非 NVIDIA 用户也能玩 3DGS。

这种决策在学术圈不受欢迎（Vulkan compute 不好发论文），在创业圈也不受欢迎（不如做 SaaS 变现快）。但它解决了一个真实问题：3D 重建工具的门槛太高了。

作者 harry7557558 是个独立开发者，GitHub 上没有大公司背景。这种"一个人写 C++ 把整个工具链重写一遍"的活，和当年 HandBrake 把 ffmpeg 包成跨平台 GUI 的气质很像——不性感，但重要。

---

参考

• 项目地址: github.com/harry7557558/spirula-studio
• 在线 Demo: spirula.studio
• Web Viewer: harry7557558.github.io/spirula-studio/viewer
• 3DGS 原始论文: Kerbl et al., "3D Gaussian Splatting for Real-Time Radiance Field Rendering", SIGGRAPH 2023