zero123
零样本单图像到3D对象转换技术
探索一种创新技术，通过一张图像实现高精度的3D对象重建。研究介绍了如何使用Zero123进行新视角合成和3D重建，解决了文字转图像模型中的视角歧义问题，并展示了其在多种应用中的卓越性能。项目还包括Zero123-XL和Objaverse-XL的最新权重发布，以及详细的使用和训练指南，支持研究者和开发者在现有硬件上进行开发和测试。
Zero123 项目介绍
Zero123 项目是一项由哥伦比亚大学与丰田研究院联合开发的创新技术，致力于将单张图像转换为3D对象。该项目通过零次学习技术，使计算机能够在没有大量训练数据的情况下，从一个二维图像生成逼真的三维模型。
项目的主要功能
Zero123的核心功能包括新视图合成和3D重建。通过这些技术，用户可以实现从单张图像到多视角的3D物体重现。
新视图合成
新视图合成是Zero123的一个重要特性，它能够根据给定的图像生成新的视角。这一过程不需要用户提供其他的视角数据，从而大幅度简化了3D模型的生成流程。
3D重建
3D重建功能使用户可以从单个图像生成完整的三维对象。通过这种方式，用户能够重现复杂的3D形状和纹理，提升了模型的现实感和精确度。
项目的技术进展
Zero123项目在不断进步，推出了一系列新功能和优化：
- 推出了Zero123-XL和Objaverse-XL版本，进一步提高了图像到三维结果的质量。
- ThreeStudio项目中的图像到3D方面也使用了Zero123的大量技术成果。
- 稳定Dreamfusion项目将Zero123与Instant-NGP和SDS损失结合，用于3D重建。
- 该项目优化了代码库，提升了在RTX 3090/4090(Ti)显卡上的运行性能。
使用方法
用户可以按照以下步骤设置和使用Zero123：
环境配置
用户需要先配置Python环境，并安装必要的库。
下载权重文件
从预设的下载地址获取训练好的模型权重。
运行演示
使用Gradio工具运行新视图合成的演示。
训练模型
为更高的定制化，用户可以根据自己的需求调整训练脚本，进行模型再训练。
数据集
Zero123使用Objaverse数据集进行训练，用户可以下载并使用这些数据进行实验和验证。
对Janus问题的讨论
Zero123的方法设计中，通过大量高质量的合成数据集以及精心设计的视角模型，显著减轻了Janus问题（即图像模型在视角变化下的错误和偏见）。模型通过在不同视角进行微调，以确保在视角变化后的连贯性和准确性。
鸣谢
该项目在许多实现上基于Stable Diffusion、Objaverse和SJC，并得到了丰田研究院、美国国防高级研究计划局（DARPA）和国家科学基金会（NSF）的部分支持。
通过Zero123项目，单图像3D对象生成技术得到了显著的提升，为进一步的3D内容创作铺平了道路。
编辑推荐精选
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
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
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
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
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 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
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
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
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 ×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。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
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