3DGS spherical-harmonics (view-dependent colour) on koide (2026-06-07)
これまでの 3DGS トレーナは SH band-0（フラット色、f_dc のみ） で、視点依存の
見え（鏡面・反射）を表現できなかった。INRIA 標準の SH 次数 >0 を train_gsplat.py
に追加し、koide で検証した記録。SH degree 1 で初めて PSNR が正方向に動いた
（他の品質レバー＝extrinsic 自己校正・視点数・init 着色はいずれも PSNR 中立/悪化だった）。
実装
--sh-degree D（opt-in、既定は従来の band-0）。色 param をsh0(N,3) DC +shN(N,(D+1)^2-1,3) 高次 に分割し、INRIA 流に DC はlr*3、高次はlr*3/20の低 LR で 最適化。gsplat.rasterization(..., sh_degree=D)がカメラ中心から視点依存色を評価する。- 出力は INRIA 標準
.ply（f_dc_0..2+f_rest_0..{3*(K-1)-1}channel-major）。 SuperSplat 等でそのまま開ける（degree 3 で f_rest 45 個を確認）。 - band-0 既定パスは完全に従来どおり（後方互換）。
結果（koide, LiDAR-primed init + SSIM densify, 3000 iter, 学習ビュー評価）
| 色モデル | PSNR | SSIM |
|---|---|---|
| band-0（従来） | 23.79 dB | 0.8412 |
| SH degree 1 | 24.06 dB | 0.8424 |
| SH degree 3 | 23.93 dB | 0.8412 |
- SH degree 1 が +0.27dB / +0.0012 SSIM と小幅だが明確な改善。太陽光パネル等の 弱い視点依存成分を 1 次 SH が拾う。
- SH degree 3 は +0.14dB と頭打ち。45 個の高次係数は 30 視点・3000 iter では
情報不足で overfit/ノイズになりやすい。これは視点数の知見（
3dgs-isuzu-viewcount-notes.md） と整合: 高次 SH は多数の一貫した視点があって初めて効く。
antialiased rasterization と学習 iter の追検証（2026-06-07）
--antialiased（gsplat rasterize_mode='antialiased'、opacity 補正付き screen-space
filter）と 学習 iter 数を同時に振った。
| 構成 | iter | PSNR | SSIM |
|---|---|---|---|
| SH deg1 classic | 3000 | 24.06 dB | 0.8424 |
| SH deg1 antialiased | 3000 | 23.44 dB | 0.8283 |
| SH deg1 antialiased | 9000 | 24.60 dB | 0.8489 |
| SH deg1 classic | 9000 | 25.18 dB | 0.8569 |
| SH deg1 classic | 15000 | 25.47 dB | 0.8617 |
- antialiased は koide で一貫して -0.6dB と逆効果（3000: 24.06→23.44、9000: 25.18→24.60）。短 run + densify 設定では opacity 補正が裏目に出る。フラグは他シーン用に 残すが既定 OFF。
- 学習 iter を 3000→9000 にすると +1.12dB（24.06→25.18dB）と最大の利得。15000 で 25.47dB（+0.29）と逓減。収束カーブは 3k 24.06 → 9k 25.18 → 15k 25.47、9k が compute/品質の knee。
- これまで ~24dB を「data-bound の上限」と見ていたが、一部は単に under-training だった ── 3000 iter は未収束で、十分回せば 25.5dB 帯に届く（per-view では既に 25.4dB を観測して いたのとも整合）。15k ベスト構成のレンダは GT とほぼ一致（パネル列・建物・橙フレームまで鮮鋭）:
推奨（更新）
- koide 型（少視点・近接密）では
--sh-degree 1+ classic + iter は長め（>=9000） が 実用上のベスト（25.2dB）。--antialiasedは koide では使わない。 - 多視点・pose 一貫データが用意できれば degree 3 が活きる余地（未検証）。
- 重要な更新: 「~24dB は data-bound」という以前の結論は 一部 under-training の誤読 だった。iter を伸ばせば 25dB 超まで動く（ただし 3倍の compute で +1dB の逓減）。残る 上限突破レバーは依然 capture/pose 一貫性だが、まず十分な iter を回すことが先決。