Project Icon

EmbodiedScan

全面多模态3D感知套件,提高具身AI的理解能力

EmbodiedScan及其系列如MMScan是专为多模态3D感知设计的开放数据集与基准,用于深入理解第一人称3D场景。包含超过5000次扫描、100万RGB-D视图、语言提示和160k 3D定向框。基于此数据库的Embodied Perceptron展示了在3D感知和语言定位中的优秀表现,适用于计算机视觉和机器人领域。通过我们的演示和基准测试,了解详细信息和应用案例。

Gaussian-SLAM - 革新性实时3D重建技术,融合高斯散射实现逼真效果
3D重建Gaussian-SLAMGithubSLAM开源项目神经渲染计算机视觉
Gaussian-SLAM是一种创新的3D场景重建技术,将高斯散射与SLAM系统相结合。该技术能够准确映射环境,生成高质量纹理和细节,实现照片级真实的稠密重建效果。Gaussian-SLAM在Replica、TUM_RGBD、ScanNet等多个数据集上展示了优秀性能,为实时3D重建和增强现实应用开辟了新途径,是计算机视觉和机器人领域的重要进展。
VisionLLM - 面向视觉任务的开放式多模态大语言模型
GithubVisionLLM人工智能多模态大语言模型开源项目视觉语言任务计算机视觉
VisionLLM 系列是一种多模态大语言模型,专注于视觉相关任务。该模型利用大语言模型作为开放式解码器,支持数百种视觉语言任务,包括视觉理解、感知和生成。VisionLLM v2 进一步提升了模型的通用性,扩展了其在多模态应用场景中的能力,推动了计算机视觉与自然语言处理的融合。
3D-PointCloud - 点云技术研究进展与应用综述
3D视觉Github开源项目点云目标检测自动驾驶语义分割
该项目汇总了3D点云处理相关的研究论文和数据集。内容涵盖目标检测、语义分割、点云配准和完成等多个任务。同时收录了自动驾驶、3D视觉变换器等领域的综述文献。这一资源有助于研究人员和工程师了解点云技术的最新进展。
MMVP - 探索多模态大语言模型的视觉局限
GithubInterleaved-MoFMMVP基准测试多模态LLM开源项目视觉模式视觉能力
MMVP基准测试揭示了多模态大语言模型在视觉理解方面的局限。即使是顶尖模型也难以准确完成基本视觉定位任务。项目开发的Interleaved-MoF模型旨在改善这些问题。MMVP还提供了开放的评估工具和数据集,为多模态AI技术的发展做出了贡献。
HumanArt - 多场景人体数据集助力计算机视觉研究
GithubHuman-Art人体姿态估计人工智能开源项目数据集计算机视觉
Human-Art数据集包含50,000张来自20个场景的图像,涵盖自然和人工环境中的2D和3D人体表现。该数据集提供人体边界框、21个2D关键点、自接触关键点和描述文本等标注,旨在推进多场景人体检测、姿态估计和3D重建等任务。Human-Art的多样性有助于提高模型在实际应用中的特征提取和人体理解能力,同时支持跨域应用和可控人体图像生成。
Magiscan - 智能3D扫描应用助力快速生成精细数字模型
3D扫描3D模型AI工具MagiScan人工智能移动应用
Magiscan是一款适用于iOS和Android平台的3D扫描应用。该应用运用人工智能技术,能够快速生成各类物体的高精度3D模型。支持USDZ、GTLF、GLB等多种格式导出,广泛应用于电商、NVIDIA Omniverse等领域。Magiscan操作简便、性能卓越且价格合理,适合专业人士和普通用户使用。Magiscan为3D打印、虚拟现实内容创作、产品展示等领域提供了便捷的3D模型制作解决方案。
Uni3D - 突破性统一3D表示学习框架
3D表示GithubUni3D开源项目点云零样本分类预训练
Uni3D是一个创新的3D预训练框架,致力于大规模3D表示学习。该框架采用2D预训练模型初始化,通过端到端训练实现3D点云与图像-文本特征对齐。Uni3D凭借简洁架构和高效预训练,成功将模型规模扩展至10亿参数,在多项3D任务中取得突破性进展,展现了将2D深度学习优势迁移至3D领域的巨大潜力。
ESANet - 高效RGB-D语义分割网络用于室内场景分析
ESANetGithubRGB-D实时处理室内场景分析开源项目语义分割
ESANet是一个高效的RGB-D语义分割网络,专为室内场景分析设计。该网络在NVIDIA Jetson AGX Xavier上实现实时语义分割,适用于移动机器人的实时场景分析系统。项目提供训练和评估代码,支持模型转换至ONNX和TensorRT,并可测量推理时间。ESANet在NYUv2、SUNRGB-D和Cityscapes等数据集上展现出优异性能。
MultiBench - 多模态学习的多尺度标准基准
BenchmarkGithubMultiBenchMultimodal学习开源项目数据集深度学习
MultiBench是一个系统化、统一的大规模基准,用于多模态表征学习,覆盖15个数据集、10种模态、20个预测任务和6个研究领域。它提供自动化的端到端机器学习管道,简化数据加载、实验设置和模型评估,确保在真实世界中的适用性和鲁棒性。
ScreenAI - 深度理解界面和信息图的视觉语言模型
GithubScreenAIUI理解信息图表理解多模态开源项目视觉语言模型
ScreenAI是一个开源的多模态视觉语言模型,专注于用户界面(UI)和信息图的理解。该模型集成了视觉变换器(ViT)、注意力机制和前馈网络,能够处理图像和文本输入。通过深度学习技术,ScreenAI实现了对复杂视觉信息的处理和文本整合分析,为UI设计、信息可视化和人机交互研究提供了新的工具和方法。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手,通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能,支持100+编程语言,与主流编辑器无缝集成,显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台,能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐,Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案,通过智能技术简化视频制作流程。无论是企业宣传还是个人分享,有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持,能够阅读和理解用户上传的文件内容,解析网页信息,并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题,Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术,为商家提供一键生成商品图和营销文案的服务,显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台,让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型,免费访问各种图像生成与AI训练工具,从Stable Diffusion等基础模型开始,轻松实现创新图像生成。体验前沿的AI技术,推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器,它将改变您观看视频的方式!SubCat结合了先进的人工智能技术,为您提供即时视频字幕翻译,无论是本地视频还是网络流媒体,让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台,利用前沿AI技术,为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图,再到文案生成,美间让创意设计更简单、更高效。

Project Cover

稿定AI

稿定设计 是一个多功能的在线设计和创意平台,提供广泛的设计工具和资源,以满足不同用户的需求。从专业的图形设计师到普通用户,无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑,稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合,帮助用户轻松实现创意设计。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号