openscene

openscene

零样本3D场景理解和任务执行工具

OpenScene是一个实时交互的3D场景理解工具,支持使用开放词汇进行查询。用户可输入任意短语,系统会自动高亮相应区域。支持多种数据集和预处理选项,可执行零样本3D语义分割、稀有物体搜索和基于图像的3D物体检测。其特点包括无需GPU运行、支持多视角特征融合和模型蒸馏。所有代码和数据集均可在GitHub获取,适用于广泛的研究和开发应用。

OpenScene3D场景理解CVPR 2023零样本语义分割Github开源项目

项目介绍:OpenScene

OpenScene是一个革命性的项目,旨在通过开放词汇进行3D场景理解,实现一系列创新的3D场景理解任务。这一项目特别适合那些希望探索新型信息检索和领域应用的研究者和开发者。值得一提的是,OpenScene不需要彩色GPU即可使用。

主要研究者

OpenScene的研究由多位杰出的研究人员共同推动,包括Songyou Peng、Kyle Genova、Chiyu "Max" Jiang、Andrea Tagliasacchi、Marc Pollefeys和Thomas Funkhouser。他们在2023年CVPR会议上展示了这一成果。

项目背景

OpenScene项目采用了一种零样本(zero-shot)的方式,可以根据用户输入的开放词汇查询执行3D场景的理解任务。不同于传统的封闭词汇方法,OpenScene允许用户输入任意查询短语,比如“史努比”(罕见物体)、“某处柔软”(属性)、“金属制成”(材质)、“可以做饭的地方?”(活动)、“节日气氛”(抽象概念)等,系统会自动高亮显示相关区域。这种灵活性使得它在多种情况下均能适用,而不仅限于预定义的分类标签。

互动演示

OpenScene提供了一种实时交互演示工具。用户无需GPU,只需按照项目的演示说明即可体验。在演示中,用户可以实时输入开放词汇,系统会根据输入的词汇显示3D场景的不同理解结果。

安装与数据准备

用户需要遵循项目提供的安装指南来安装所有必需的软件包。项目中提供了一些预处理好的3D和2D数据集,如ScanNet、Matterport3D、nuScenes和Replica。这些数据集以及多视图融合特征的下载和处理都有详细的指南可供参考。

应用案例

OpenScene的应用非常广泛,除了零样本3D语义分割外,还包括:

  • 开放词汇的3D场景理解与探索:用户可以通过3D场景的属性而不仅限于固定的类别标签来进行查询,例如材质、活动、房间类型、抽象概念等。
  • 罕见物体搜索:用户可以在3D场景数据库中基于名字查找罕见对象。
  • 基于图像的3D物体检测:用户可以通过给定的输入图像在3D场景数据库中检索相似的物体。

致谢

项目团队特别感谢多位资深研究人员的指导和帮助,包括Golnaz Ghiasi等人。此外,他们还特别感谢了Charles R. Qi 和Paul-Edouard Sarlin对项目文稿的校对。

未来计划

项目团队计划继续支持以下开发任务:

  • 支持任意场景的演示
  • 网站内的演示支持
  • 支持LSeg多视图特征融合
  • 增加Matterport和nuScenes的LSeg特征的多视图融合
  • 支持最新版本的PyTorch

引用

如果您觉得OpenScene的代码或论文对您的研究有帮助,请引用以下文献:

@inproceedings{Peng2023OpenScene, title = {OpenScene: 3D Scene Understanding with Open Vocabularies}, author = {Peng, Songyou and Genova, Kyle and Jiang, Chiyu "Max" and Tagliasacchi, Andrea and Pollefeys, Marc and Funkhouser, Thomas}, booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)}, year = {2023}

OpenScene通过开放词汇和零样本学习推进了3D场景理解的界限,为各种应用打开了新大门。该项目的代码库、文档及其在计算机视觉领域的潜在应用,使得研究人员和开发者能够以更灵活的方式探索3D场景中的丰富信息。

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