zero123

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。

Zero-1-to-33D重建单视图稳定扩散ObjaverseGithub开源项目

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

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