gta

几何感知注意力机制增强多视图Transformer性能

GTA 多视图Transformer 几何感知注意力神经渲染计算机视觉 Github 开源项目

GTA是一种创新的几何感知注意力机制,旨在提升多视图Transformer的表达能力。这项技术不仅适用于新视角合成和3D场景重建等多视图任务,还可应用于图像生成等2D任务。项目提供了GTA在CLEVR-TR和MSN-Hard数据集上的官方实现代码,并展示了其在ImageNet图像生成中的应用。通过整合几何信息,GTA使Transformer更有效地处理3D空间关系,从而显著提高多视图任务的性能表现。

访问官网

Github

介绍相关项目

GPTEval3D - 基于GPT-4V的文本到3D生成模型评估框架

GPTEval3D是一个实现了《GPT-4V(ision) is a Human-Aligned Evaluator for Text-to-3D Generation》论文评估指标的开源项目。该框架提供了完整的文本到3D生成模型评估流程，包括数据准备、模型评估和比赛评分。研究者可以利用GPTEval3D评估自己的模型或组织3D生成模型比赛。项目还包含110个精选图像提示和详细的使用说明，方便研究人员快速上手。

CityGaussian - 大规模3D场景实时高质量渲染技术

3D场景渲染CityGaussianGithub大规模场景实时开源项目高质量

CityGaussian项目开发了一种创新的分而治之训练方法和细节层次(LoD)策略，用于高效训练和渲染大规模3D高斯溅射场景。该方法利用全局场景先验和自适应训练数据选择，实现高效训练和无缝融合。通过融合高斯基元生成不同细节层次，并采用块级细节层次选择和聚合策略，实现跨尺度的快速渲染。实验结果显示，CityGaussian在大规模场景上实现了先进的渲染质量，并能在不同尺度下保持一致的实时渲染性能。

GLEE - 实现多任务图像和视频处理的通用视觉基础模型

GLEEGithub多任务模型实例分割开源项目目标检测计算机视觉

GLEE是一个通用对象基础模型，在超过1000万张来自多个数据集的图像上进行联合训练。该模型能同时处理多种以对象为中心的视觉任务，并在多个基准测试中保持领先性能。GLEE具有出色的通用性和零样本迁移能力，可作为增强其他架构或模型的基础组件。这项研究被CVPR2024接受为亮点论文，研究团队计划开源相关代码和预训练模型。

CrossFormer - 融合跨尺度注意力的高效视觉Transformer

CrossFormer++Github图像分类开源项目目标检测视觉Transformer跨尺度注意力

CrossFormer++是一种创新的视觉Transformer模型，通过跨尺度注意力机制解决了不同尺度对象特征间建立关联的问题。该模型引入跨尺度嵌入层和长短距离注意力等设计，并采用渐进式分组策略和激活冷却层来平衡性能与计算效率。在图像分类、目标检测和语义分割等视觉任务中表现优异，尤其在密集预测任务中效果显著。CrossFormer++为计算机视觉领域提供了一种灵活高效的新型架构。

Free3D - 基于单视图的一致性多视角图像合成技术

3D生成Free3DGithub单视图重建开源项目新视角合成计算机视觉

Free3D是牛津大学VGG实验室开发的新型计算机视觉技术，可从单一图像生成一致性的多视角合成图,无需显式3D表示。该技术采用射线条件归一化和伪3D注意力机制,在Objaverse等多个数据集上展现优异性能。Free3D为计算机视觉和图形学领域提供了新的研究方向,有望应用于3D重建、虚拟现实等多个领域。

VideoGPT-plus - 双编码器融合提升视频理解能力

GithubVideoGPT+人工智能多模态模型开源项目视频对话视频理解

VideoGPT+是一个创新的视频对话模型，通过集成图像和视频编码器，实现了更精细的空间理解和全局时间上下文分析。模型采用自适应池化技术处理双编码器特征，大幅提升了视频基准测试性能。项目同时推出VCG+ 112K数据集和VCGBench-Diverse基准，为视频对话任务提供全面评估。VideoGPT+在空间理解、推理和视频问答等多项任务中表现优异。

superpoint_transformer - 高效3D场景语义和全景分割的超点变换器

3D全景分割3D语义分割GithubICCV 2023SuperClusterSuperpoint Transformer开源项目

Superpoint Transformer 是一种超点 transformer 架构，适用于大规模 3D 场景的语义分割。通过自注意机制和层次化超点结构，它能多尺度挖掘超点间关系，性能卓越。同时，SuperCluster 将全景分割任务转化为超点图聚类任务，能在单个 GPU 上处理大规模场景。项目亮点包括显著的SOTA表现、快速训练和预处理等。点击查看更多详情及项目更新。

ViTAE-Transformer-Remote-Sensing - 遥感图像解释的视觉变压器模型集合

Github图像分割开源项目深度学习目标检测计算机视觉遥感

ViTAE-Transformer-Remote-Sensing项目致力于遥感图像解释领域的视觉变压器模型研究。该项目涵盖遥感预训练、场景识别、语义分割和目标检测等多项任务,提出了RVSA和MTP等创新模型架构和训练方法。项目还开发了SAMRS大规模遥感分割数据集。这些成果有助于推进遥感基础模型的发展,为遥感应用提供技术支持。项目成果包括遥感预训练研究、场景识别模型、语义分割技术和目标检测算法。RVSA和MTP等创新架构提升了模型性能和效率。SAMRS数据集的开发为遥感分割任务提供了大规模训练资源。

Gaussian-Head-Avatar - 动态高斯技术实现超高保真虚拟头像生成

3D建模Gaussian Head AvatarGithub动态高斯开源项目计算机视觉高保真头像

Gaussian-Head-Avatar项目采用动态高斯模型，生成超高保真虚拟头像。该技术通过两阶段训练，包括几何引导模型和高斯头像模型，能够基于表情系数实现逼真的头像重演。这一创新为计算机视觉和图形学领域带来新的解决方案，可应用于虚拟现实和数字人等多个领域。

Era3D - 基于高效行注意力的高分辨率多视图扩散模型

3D重建AI生成Era3DGithub多视图扩散开源项目高分辨率

Era3D是一个高分辨率多视图扩散模型，采用高效行注意力机制生成3D内容。该模型可从单张图像创建多视角数字人像，包括色彩和法线图像。项目开源了实现代码、预训练权重，并提供在线演示。Era3D在保持输出质量的同时提高了计算效率，为3D内容创作和计算机视觉研究提供了实用工具。

相关项目

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。

使用协议隐私政策广告服务

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