通过自我监督学习实现视频中的单目深度估计
SC-Depth项目提供了SC-DepthV1, V2和V3版本的PyTorch Lightning实现,专注于从视频中进行自我监督的单目深度估计。SC-DepthV1引入了几何一致性损失和自发现蒙板,提高了深度预测的准确性。SC-DepthV2通过引入自动矫正网络(ARN)解决了手持相机视频中大相对旋转的问题。SC-DepthV3利用外部预训练的深度估计网络,在动态场景中显著提升了单目深度估计的准确性。该项目提供了详细的安装指南、数据集组织和训练流程,支持多种数据集和自定义数据的训练。了解更多关于SC-Depth的详细信息以及其在多个挑战性数据集上的评估结果。
SC_Depth 项目是一项关于从视频中自我监督学习单目深度估计的研究。该项目提供了 SC-Depth 的 PyTorch Lightning 实现,目前已经发展到 V3 版本。以下是各个版本的详细介绍,以及项目的一些技术要点和使用说明。
在 SC-DepthV1 中,研究团队引入了两大创新来提高预测的深度准确性和一致性:
这些创新确保了预测深度足够准确和一致,可以在 ORB-SLAM2 系统中使用。
SC-DepthV2 主要关注解决在室内场景中,由手持相机捕捉视频时产生的大相对旋转运动带来的挑战。为此,该版本提出了一个自动校正网络(ARN),用于处理相邻帧之间的相对大旋转。该网络与 SC-DepthV1 集成,并与自监督损失联合训练,显著提升了性能。
SC-DepthV3 提出了一个稳健的学习框架,用于在(极其)动态场景中进行准确和清晰的单目深度估计。由于自监督方法中的主要损失——光度损失在动态物体区域和遮挡中的无效性,该版本通过借助外部预训练的深度估计网络来生成单图像深度先验,从而在此基础上提出了有效的损失来约束自我监督的深度学习。评估结果表明,SC-DepthV3 在多个具有挑战性的静态和动态场景的数据集上展示了其有效性。
要安装项目,用户需要创建一个 Python 3.8 的虚拟环境,并安装相关依赖包,具体步骤如下:
conda create -n sc_depth_env python=3.8 conda activate sc_depth_env conda install pytorch torchvision pytorch-cuda=11.7 -c pytorch -c nvidia pip install -r requirements.txt
视频数据集需按特定格式组织,用于训练和测试模型。用户可以下载我们提供的已处理数据集,如 kitti、nyu、ddad、bonn、tum 等。
项目提供了相应的脚本来指导用户如何进行训练和测试。对于训练,用户需要根据设备编辑配置文件,然后运行指定的训练脚本。而测试脚本则用于在各数据集上评估深度估计的精度。
对于自己的数据集,用户需要按照项 目要求组织数据格式。同时,提供了一些工具与指南,帮助用户生成伪深度和验证损失,以便在没有真实深度数据时进行训练。
项目中提供了不同版本在各种数据集上训练的预训练模型,用户可以下载并用于测试或演示其效果。使用提供的脚本,用户可以轻松进行效果演示和模型验证。
通过以上介绍,希望帮助大家更好地理解和使用 SC_Depth 项目进行单目深度估计的研究与应用。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强 大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。
一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键 词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。
基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。
一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。
olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号