这不是 Google 官方支持的产品。
当前最先进的 3D 场景理解方法依赖于大规模标注数据集。为此,我们提出 CAD-Estate,这是一个包含复杂多物体 RGB 视频的大型数据集,每个视频都带有全局一致的 3D 物体表示注释,以及由 3D 结构元素(如墙、地板和天花板)组成的房间布局。
我们用数据库中的 CAD 模型为每个物体进行注释,并通过 9 自由度的姿态变换将其放置在场景的 3D 坐标系中。我们的方法 [1] 适用于常见的 RGB 视频,无需深度传感器。许多步骤是自动完成的,人工完成的任务简单明确,只需在 3D 空间中进行有限的推理。这使得众包成为可能,从而让我们能够构建一个大规模数据集。CAD-Estate 提供了 20K 个视频的 3D 表示中放置的 12K 个独特 CAD 模型的 101K 个实例。CAD-Estate 的视频提供了房地产物业的广泛复杂视图。它们对自动场景理解方法构成了巨大挑战,因为每帧包含众多物体,其中许多距离相机较远,因此看起来很小。与现有最大的真实场景 CAD 模型注释数据集 Scan2CAD 相比,CAD-Estate 的实例数量多 7 倍,独特 CAD 模型数量多 4 倍。
我们从易于人工标注的 2D 分割掩码生成通用 3D 房间布局。我们的方法 [2] 自动从注释中重建结构元素的 3D 平面方程和空间范围,并在适当的接触边缘连接相邻元素。CAD-Estate 为 2246 个视频提供了房间布局。这些视频包含复杂的拓扑结构,有通过开放门连接的多个房间,通过楼梯连接的多个楼层,以及具有倾斜结构元素的通用几何形状。我们的自动质量控制程序保证了生成的 3D 房间布局的高质量。
该数据集包含 [1] 和 [2] 中描述的两个数据集。
<br> <p align="center">物体数据集示例 [1]</p> <p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/a18a42a1-46d5-45af-9116-293a5a5c96ab.gif" align="center" height=130 width=auto/> <img src="https://yellow-cdn.veclightyear.com/835a84d5/61f1918e-4e6f-4c09-bd7c-26bff9ad4bcb.gif" align="center" height=130 width=auto/> <img src="https://yellow-cdn.veclightyear.com/835a84d5/4b0a3b63-1c32-415f-9095-4d68fcdbb7f3.gif" align="center" height=130 width=auto/> </p> <p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/15eb796c-4ca7-4e00-b26d-0cf3671e9046.png" align="center" height=auto width=230/> <img src="https://yellow-cdn.veclightyear.com/835a84d5/c8519026-7d12-4b15-9213-80349b7b9076.png" align="center" height=auto width=230/> <img src="https://yellow-cdn.veclightyear.com/835a84d5/3d526a65-01e2-48f3-ba9b-8fa55f3e3278.png" align="center" height=auto width=230/> </p> <br> <p align="center">布局数据集示例 [2]</p> <p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/b1fcce6f-a3c7-4ba9-812e-5a974cf98f5d.gif" align="center" height=130 width=auto/> <img src="https://yellow-cdn.veclightyear.com/835a84d5/4d1f3b37-f190-4c59-91d5-fa45eff5fb5f.gif" align="center" height=130 width=auto/> <img src="https://yellow-cdn.veclightyear.com/835a84d5/7617f07b-b7ab-41b0-9674-f5a1f3672b03.gif" align="center" height=130 width=auto/> </p> <p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/6fd58fae-5cd7-4118-bb57-aed5eea5ad5e.png" align="center" height=205 width=auto/> <img src="https://yellow-cdn.veclightyear.com/835a84d5/40290ffa-6a1a-4a73-9de8-3382005ebdfb.png" align="center" height=205 width=auto/> </p>首先,您需要按照这里的说明下载数据集和附带的源代码。以下文本假设代码位于 ${WORKDIR}/cad_estate
,数据集位于 ${WORKDIR}/cad_estate/data
。请按照说明首先设置环境变量 WORKDIR
。
您可以使用附带的 Jupyter 笔记本可视化单个场景: objects_notebook.ipynb 和 room_structure_notebook.ipynb。 要为它们启动 Jupyter 内核,请使用:
cd ${WORKDIR}/cad_estate/src jupyter notebook
内核需要支持 CUDA 的 GPU。
还有两个 PyTorch 数据集类用于读取视频帧及其物体或房间结构注释。您可以在源代码中找到更多详细信息。
最后,此文件描述了 CAD-Estate 注释文件的结构。
如果使用物体注释,请引用 [1,3,4]。CAD-Estate 包含将 ShapeNet [3] 模型对齐到 RealEstate10K 视频 [4] 上的物体注释 [1]。如果使用 3D 房间布局,请引用 [2,4]。CAD-Estate 包含 RealEstate10K 视频 [4] 的 3D 房间布局 [2]。
[1] K.-K. Maninis, S. Popov, M. Nießner, and V. Ferrari. CAD-Estate: Large-scale CAD Model Annotation in RGB Videos. In ICCV, 2023 (to appear).
[2] D. Rozumnyi, S. Popov, K.-K. Maninis, M. Nießner, V. Ferrari. Estimating Generic 3D Room Structures from 2D Annotations. In NeurIPS, 2023.
[3] A. Chang, T. Funkhouser, L. Guibas, P. Hanrahan, Q. Huang, Z. Li, S. Savarese, M. Savva, S. Song, H. Su, J. Xiao, L. Yi, and Fisher Yu. ShapeNet: An Information-Rich 3D Model Repository. arXiv preprint, 2015.
[4] T. Zhou, R. Tucker, J. Flynn, G. Fyffe, and N. Snavely. Stereo Magnification: Learning view synthesis using multiplane images. In SIGGRAPH, 2018.
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