Project Icon

graphics

深度学习与计算机图形学的融合框架

TensorFlow Graphics是一个融合深度学习与计算机图形学的开源框架。它提供可微分的图形和几何层,包括相机模型、反射模型、空间变换和网格卷积等,同时支持3D可视化。这些工具可用于开发和优化3D视觉任务的机器学习模型,如物体姿态估计、材质分析和语义分割。该框架致力于帮助研究人员和开发者更高效地解决复杂的3D视觉问题。

TensorFlow Graphics

许可证 构建 代码覆盖率 PyPI项目状态 支持的Python版本 PyPI发布版本 下载量

近年来,可微分图形层在神经网络架构中的应用日益增多。从空间变换器到可微分图形渲染器,这些新型层利用了多年来计算机视觉和图形研究积累的知识,构建了更新颖、更高效的网络架构。将几何先验和约束明确地建模到神经网络中,为构建可靠、高效且更重要的是可自监督训练的架构打开了大门。

概述

从高层次来看,计算机图形管线需要3D对象及其在场景中的绝对位置表示、对象材质描述、光源和相机。然后渲染器会解析这些场景描述,生成合成渲染图像。

相比之下,计算机视觉系统会从图像开始,尝试推断场景参数。这允许预测场景中的对象、它们的材质以及三维位置和方向。

训练能够解决这些复杂3D视觉任务的机器学习系统通常需要大量数据。由于数据标注是一个昂贵且复杂的过程,设计能够理解三维世界而无需太多监督的机器学习模型变得尤为重要。结合计算机视觉和计算机图形技术为利用大量现成的未标注数据提供了独特机会。如下图所示,这可以通过分析合成的方法实现,其中视觉系统提取场景参数,图形系统基于这些参数渲染图像。如果渲染图像与原始图像匹配,则说明视觉系统准确提取了场景参数。在这种设置中,计算机视觉和计算机图形相辅相成,形成了类似自编码器的单一机器学习系统,可以以自监督的方式进行训练。

Tensorflow Graphics的开发旨在帮助解决这些类型的挑战。为此,它提供了一系列可微分的图形和几何层(如相机、反射模型、空间变换、网格卷积)以及3D查看器功能(如3D TensorBoard),这些可用于训练和调试您选择的机器学习模型。

安装TensorFlow Graphics

有关如何安装TensorFlow Graphics的说明,请参阅安装文档。

API文档

您可以在这里找到API文档。

兼容性

TensorFlow Graphics完全兼容最新的稳定版TensorFlow、tf-nightly和tf-nightly-2.0-preview。所有函数都兼容图执行和即时执行模式。

调试

Tensorflow Graphics大量依赖L2归一化张量,并且特定函数的输入需要在预定义范围内。检查这些条件需要计算资源,因此默认情况下不会激活。建议在训练的几个周期内打开这些检查,以确保一切按预期运行。此页面提供了启用这些检查的说明。

Colab教程

为了帮助您开始使用TF Graphics提供的一些功能,以下是一些Colab笔记本,大致按难度排序。这些Colab涵盖了广泛的主题,包括物体姿态估计、插值、物体材质、光照、非刚性表面变形、球谐函数和网格卷积。

注意:这些教程得到精心维护。但是,它们不被视为API的一部分,可能随时更改而不另行通知。不建议编写依赖于它们的代码。

初级

中级

高级

TensorBoard 3D

可视化调试是评估实验是否朝着正确方向发展的好方法。为此,TensorFlow Graphics附带了一个TensorBoard插件,可以交互式地可视化3D网格和点云。此演示展示了如何使用该插件。按照这些说明安装和配置TensorBoard 3D。请注意,TensorBoard 3D当前与即时执行和TensorFlow 2不兼容。

即将推出...

除了许多其他功能外,我们希望发布重采样器、额外的3D卷积和池化运算符以及可微分光栅化器!

关注我们的Twitter以了解最新更新!

附加信息

您可以根据Apache 2.0许可证使用此软件。

社区

作为TensorFlow的一部分,我们致力于培养开放和友好的环境。

参考文献

如果您在研究中使用TensorFlow Graphics,请引用它:

@inproceedings{TensorflowGraphicsIO2019,
   author = {Oztireli, Cengiz and Valentin, Julien and Keskin, Cem and Pidlypenskyi, Pavel and Makadia, Ameesh and Sud, Avneesh and Bouaziz, Sofien},
   title = {TensorFlow Graphics: Computer Graphics Meets Deep Learning},
   year = {2019}
}

联系方式

想要联系我们?请发送电子邮件至tf-graphics-contact@google.com

贡献者 - 按字母顺序排列

  • Sofien Bouaziz (sofien@google.com)
  • Jay Busch
  • Forrester Cole
  • Ambrus Csaszar
  • Boyang Deng
  • Ariel Gordon
  • Christian Häne
  • Cem Keskin
  • Ameesh Makadia
  • Cengiz Öztireli
  • Rohit Pandey
  • Romain Prévost
  • Pavel Pidlypenskyi
  • Stefan Popov
  • Konstantinos Rematas
  • Omar Sanseviero
  • Aviv Segal
  • Avneesh Sud
  • Andrea Tagliasacchi
  • Anastasia Tkach
  • Julien Valentin
  • He Wang
  • Yinda Zhang
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手,通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能,支持100+编程语言,与主流编辑器无缝集成,显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台,能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐,Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案,通过智能技术简化视频制作流程。无论是企业宣传还是个人分享,有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持,能够阅读和理解用户上传的文件内容,解析网页信息,并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题,Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术,为商家提供一键生成商品图和营销文案的服务,显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台,让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型,免费访问各种图像生成与AI训练工具,从Stable Diffusion等基础模型开始,轻松实现创新图像生成。体验前沿的AI技术,推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器,它将改变您观看视频的方式!SubCat结合了先进的人工智能技术,为您提供即时视频字幕翻译,无论是本地视频还是网络流媒体,让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台,利用前沿AI技术,为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图,再到文案生成,美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具,简化了选题、文献检索至论文撰写的整个过程。通过简单设定,平台可快速生成高质量论文大纲和全文,配合图表、参考文献等一应俱全,同时提供开题报告和答辩PPT等增值服务,保障数据安全,有效提升写作效率和论文质量。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号