懂AI
GNT

GNT

使用Transformer重建和渲染NeRF模型

Generalizable NeRF Transformer (GNT) 是一个用于高效重建和渲染神经辐射场的纯Transformer架构。它通过视图Transformer和射线路径Transformer两个阶段完成场景表示和渲染。GNT在跨场景训练中展示了其在多个数据集上优异的性能和普遍适用性。

GNTNeRFtransformer渲染图像重建Github开源项目
访问官网GitHub论文

GNT 项目介绍

背景介绍

在计算机图形学领域，NeRF（神经辐射场）技术的发展在生成逼真三维场景和图像方面展现出了巨大的潜力。然而，传统的NeRF算法通常需要对每个场景进行独立优化，这种方式不仅需要复杂的渲染方程，还耗时费力。针对这一问题，GNT（Generalizable NeRF Transformer）项目提出了一种基于Transformer的统一架构，旨在提高NeRF的通用性和效率。

项目概述

GNT项目提出了一种全新的Transformer架构，以实现高效的神经场景重建。它由两个主要阶段组成：

  • 视图转换器（View Transformer）：利用多视角几何作为归纳偏置，通过聚合邻近视图上的极线信息，推导坐标对齐的特征。这一阶段采用了注意力机制来进行场景表示。

  • 射线转换器（Ray Transformer）：借助射线行进技术，将采样点特征序列进行直接解码，从而生成新视角图像。

通过实验，GNT在单场景优化时能够成功重建NeRF，甚至在复杂场景中，通过可学习射线渲染器提升了约1.3 dB的PSNR表现。当在不同场景上进行训练时，GNT在将其应用到正面LLFF数据集和合成Blender数据集时，分别取得了20%和4%的视觉损失（LPIPS）降低，以及25%和4%的结构相似性（SSIM）提升。此外，研究还发现，通过学习到的注意力图可以推断深度和遮挡信息，这指出纯注意力机制具有学习物理渲染过程的能力。

实验结果与意义

GNT在多场景训练与测试中，展示了其优越的通用性能和场景重建效果。具体而言：

  • 在单场景下，不需要显式的渲染公式就能重建NeRF。
  • 凭借可学习的渲染器，显著提升了复杂场景的重建质量。
  • 在多场景训练时，成功在不同数据集上实现最先进（State-of-the-Art，SOTA）的表现。

此项研究不仅为Transformers在计算机图形学中的应用打开了新的可能性，也为未来的研究提供了一个通用的建模工具。

技术指导

环境与安装

项目代码已在Python 3.8、CUDA 11.1及PyTorch 1.10.1环境下进行测试。运行环境依赖的库包括：torchvision、ConfigArgParse、imageio、matplotlib、numpy、opencv_contrib_python、Pillow、scipy、imageio-ffmpeg、lpips 和 scikit-image。

查找项目源码并克隆到本地：

git clone https://github.com/MukundVarmaT/GNT.git
cd GNT/

数据集

GNT项目再利用了IBRNet的训练和评估数据集。所有数据集需要下载到项目文件夹内的 data/ 目录，并遵循特定的目录结构进行组织。

使用方法

  1. 训练：可以选择单场景或跨场景进行训练。
  2. 预训练模型：提供基于LLFF和Synthetic数据集的预训练模型。
  3. 评估和渲染：支持对不同场景进行评估和视频渲染。

结语

GNT项目通过极大化Transformer架构的能力，展现了在三维场景重建中的应用前景。随着研究的深入，Transformer有望成为图形建模领域的重要工具，为计算机视觉和图形学的融合探索更广阔的解决方案。

编辑推荐精选

AEE

AEE

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。

UI-TARS-desktop

UI-TARS-desktop

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。

Wan2.1

Wan2.1

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。

爱图表

爱图表

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。

Qwen2.5-VL

Qwen2.5-VL

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

HunyuanVideo

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。

WebUI for Browser Use

WebUI for Browser Use

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。

xiaozhi-esp32

xiaozhi-esp32

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。

olmocr

olmocr

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

飞书多维表格

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。

下拉加载更多