


Adegan Dinamik Monokular merujuk kepada persekitaran dinamik yang diperhatikan dan dianalisis menggunakan kamera monokular, di mana objek boleh bergerak bebas di tempat kejadian. Pembinaan semula pemandangan dinamik monokular adalah penting dalam tugas seperti memahami perubahan dinamik dalam persekitaran, meramalkan trajektori gerakan objek dan menjana aset digital dinamik. Menggunakan teknologi penglihatan bermata, pembinaan semula tiga dimensi dan anggaran model adegan dinamik boleh dicapai, membantu kami lebih memahami dan menangani pelbagai situasi dalam persekitaran dinamik. Teknologi ini bukan sahaja boleh diaplikasikan dalam bidang penglihatan komputer, tetapi juga memainkan peranan penting dalam bidang seperti pemanduan autonomi, realiti tambahan, dan realiti maya. Melalui pembinaan semula pemandangan dinamik monokular, kami boleh menangkap pergerakan objek dalam persekitaran dengan lebih tepat
Dengan peningkatan pemaparan saraf yang diwakili oleh Neural Radiance Field (NeRF), semakin banyak kerja mula menggunakan tersembunyi Lakukan pembinaan semula 3D bagi adegan dinamik menggunakan perwakilan tersirat. Walaupun sesetengah karya perwakilan berdasarkan NeRF, seperti D-NeRF, Nerfies, K-planes, dsb., telah mencapai kualiti pemaparan yang memuaskan, mereka masih jauh daripada pemaparan foto-realistik sebenar.
Pasukan penyelidik dari Universiti Zhejiang dan ByteDance menegaskan bahawa teras masalah di atas ialah saluran paip NeRF berdasarkan pancaran sinar memetakan ruang pemerhatian ke ruang berkanun melalui ruang aliran ke belakang), ketepatan dan cabaran kejelasan timbul. Pemetaan songsang tidak sesuai untuk penumpuan struktur yang dipelajari, menyebabkan kaedah semasa hanya mencapai penunjuk pemaparan PSNR sebanyak 30+ tahap pada set data D-NeRF.
Untuk menyelesaikan cabaran ini, pasukan penyelidik mencadangkan proses pemodelan adegan dinamik monokular berdasarkan rasterisasi. Mereka menggabungkan medan ubah bentuk dengan Gaussians 3D buat kali pertama, mencipta kaedah baharu yang membolehkan pembinaan semula berkualiti tinggi dan pemaparan perspektif baharu. Kertas penyelidikan "Gaussians 3D Deformable for High-Fidelity Monocular Dynamic Scene Reconstruction" ini telah diterima oleh CVPR 2024, persidangan akademik antarabangsa teratas dalam bidang penglihatan komputer. Apa yang unik dalam karya ini ialah ia merupakan kajian pertama yang menggunakan medan ubah bentuk pada Gaussians 3D untuk melanjutkan kepada adegan dinamik monokular.
Laman utama projek: https://ingra14m.github.io/Deformable-Gaussians/
Pautan kertas: https://arxiv.org/abs/2309.1310/2309.1310 //github.com/ingra14m/Deformable-3D-Gaussians
Hasil eksperimen menunjukkan bahawa medan boleh ubah bentuk boleh memetakan pemetaan hadapan Gaussian 3D secara berkesan dalam ruang kanonik ke ruang cerapan dengan tepat. Pada set data D-NeRF, peningkatan PSNR lebih daripada 10% telah dicapai. Di samping itu, dalam adegan sebenar, walaupun pose kamera tidak cukup tepat, butiran pemaparan boleh ditingkatkan. N Rajah 1 hasil eksperimen adegan sebenar hypernerf.
3D Gaussian Splash ialah saluran paip pemaparan awan titik berdasarkan rasterisasi. Saluran paip rasterisasi Gaussian yang boleh dibezakan dengan CUDA dan ketumpatan inovatif membolehkan Gaussian 3D bukan sahaja mencapai kualiti pemaparan SOTA, tetapi juga mencapai pemaparan masa nyata. Gaussian 3D Dinamik mula-mula memanjangkan Gaussian 3D statik ke medan dinamik. Walau bagaimanapun, keupayaannya untuk hanya mengendalikan adegan berbilang paparan sangat mengehadkan aplikasinya dalam situasi yang lebih umum, seperti adegan paparan tunggal seperti penangkapan telefon mudah alih. Idea Penyelidikan
Teras Deformable-GS ialah memanjangkan Gaussian 3D statik kepada adegan dinamik monokular. Setiap Gaussian 3D membawa pekali kedudukan, putaran, skala, kelegapan dan SH untuk pemaparan tahap imej. Menurut formula 3D Gaussian alpha-blend, tidak sukar untuk mencari bahawa kedudukan dari semasa ke semasa, serta putaran dan penskalaan yang mengawal bentuk Gaussian adalah parameter penentu yang menentukan Gaussian 3D dinamik. Walau bagaimanapun, tidak seperti kaedah pemaparan berasaskan awan titik tradisional, selepas Gaussian 3D dimulakan, parameter seperti kedudukan dan ketelusan akan dikemas kini secara berterusan dengan pengoptimuman. Ini menambah kesukaran kepada pembelajaran Gaussians dinamik.
Penyelidikan ini secara inovatif mencadangkan rangka kerja pemaparan pemandangan dinamik yang dioptimumkan bersama dengan medan ubah bentuk dan Gaussians 3D. Secara khusus, kajian ini menganggap Gaussians 3D yang dimulakan oleh COLMAP atau awan titik rawak sebagai ruang kanonik, dan kemudian menggunakan medan ubah bentuk untuk menggunakan maklumat koordinat Gaussians 3D dalam ruang kanonik sebagai input untuk meramalkan kedudukan dan bentuk setiap Gaussian 3D. dari semasa ke semasa. Menggunakan medan ubah bentuk, kajian ini boleh mengubah Gaussian 3D daripada ruang kanonik kepada ruang cerapan untuk rendering rasterisasi. Strategi ini tidak menjejaskan saluran paip rasterisasi boleh dibezakan bagi Gaussians 3D, dan kecerunan yang dikira olehnya boleh digunakan untuk mengemas kini parameter Gaussians 3D ruang kanonik.
Selain itu, pengenalan medan ubah bentuk memberi manfaat kepada ketumpatan Gaussian bahagian dengan julat gerakan yang lebih besar. Ini kerana kecerunan medan ubah bentuk di kawasan yang mempunyai amplitud pergerakan yang lebih besar akan menjadi lebih tinggi, sekali gus membimbing kawasan yang sepadan untuk dikawal dengan lebih halus semasa proses ketumpatan. Walaupun parameter nombor dan kedudukan ruang kanonik Gaussians 3D sentiasa dikemas kini pada peringkat awal, keputusan percubaan menunjukkan bahawa strategi pengoptimuman bersama ini akhirnya boleh mencapai hasil penumpuan yang mantap. Selepas kira-kira 20,000 lelaran, parameter kedudukan Gaussian 3D dalam ruang kanonik hampir tidak berubah lagi.
Pasukan penyelidik mendapati bahawa pose kamera dalam adegan sebenar selalunya tidak cukup tepat, dan adegan dinamik memburukkan lagi masalah ini. Ini tidak akan memberi kesan besar kepada struktur berdasarkan medan sinaran saraf, kerana medan sinaran saraf adalah berdasarkan perceptron berbilang lapisan (MLP) dan merupakan struktur yang sangat licin. Walau bagaimanapun, Gaussian 3D adalah berdasarkan struktur awan titik yang jelas, dan pose kamera yang sedikit tidak tepat adalah sukar untuk diperbetulkan dengan mantap melalui percikan Gaussian.
Bagi mengurangkan masalah ini, kajian ini secara inovatif memperkenalkan Latihan Smooth Annealing (AST). Mekanisme latihan ini direka untuk melicinkan pembelajaran Gaussians 3D pada peringkat awal dan meningkatkan perincian rendering di peringkat kemudian. Pengenalan mekanisme ini bukan sahaja meningkatkan kualiti pemaparan, tetapi juga meningkatkan kestabilan dan kelancaran tugas interpolasi temporal.
Rajah 2 menunjukkan saluran penyelidikan ini, sila lihat kertas asal untuk butiran. Rajah 2 Saluran paip kajian ini.
Paparan HasilKajian ini mula-mula menjalankan eksperimen ke atas set data sintetik pada set data D-NeRF, yang digunakan secara meluas dalam bidang pembinaan semula dinamik. Tidak sukar untuk melihat daripada hasil visualisasi dalam Rajah 3 bahawa Deformable-GS mempunyai peningkatan yang besar dalam kualiti rendering berbanding kaedah sebelumnya. Rajah 3 Keputusan perbandingan eksperimen kualitatif kajian ini pada set data D-NeRF.
Kaedah yang dicadangkan dalam kajian ini bukan sahaja telah mencapai peningkatan yang ketara dalam kesan visual, tetapi juga mempunyai peningkatan yang sepadan dalam penunjuk kuantitatif rendering. Perlu diingat bahawa pasukan penyelidik mendapati ralat dalam adegan Lego set data D-NeRF, iaitu, terdapat sedikit perbezaan antara adegan dalam set latihan dan set ujian. Ini dicerminkan dalam sudut selak yang tidak konsisten pada penyodok model Lego. Ini juga merupakan sebab asas mengapa penunjuk kaedah sebelumnya tidak boleh diperbaiki dalam adegan Lego. Untuk membolehkan perbandingan bermakna, kajian menggunakan set pengesahan Lego sebagai garis asas untuk pengukuran metrik. Rajah 4 Perbandingan kuantitatif pada set data sintetik.
Seperti yang ditunjukkan dalam Rajah 4, kajian ini membandingkan kaedah SOTA pada resolusi penuh (800x800), termasuk D-NeRF CVPR 2020, TiNeuVox Sig Asia 2022 dan Tensor4D CVPR2023, K-planes. Kaedah yang dicadangkan dalam kajian ini telah mencapai penambahbaikan yang ketara dalam pelbagai penunjuk rendering (PSNR, SSIM, LPIPS) dan dalam pelbagai senario.Kaedah yang dicadangkan dalam kajian ini bukan sahaja boleh digunakan untuk adegan sintetik, tetapi juga mencapai hasil SOTA dalam adegan sebenar di mana pose kamera tidak cukup tepat. Seperti yang ditunjukkan dalam Rajah 5, kajian ini membandingkan dengan kaedah SOTA pada dataset NeRF-DS. Keputusan eksperimen menunjukkan bahawa walaupun tanpa rawatan khas pada permukaan yang sangat reflektif, kaedah yang dicadangkan dalam kajian ini masih boleh mengatasi NeRF-DS, yang direka khas untuk adegan yang sangat reflektif, dan mencapai kesan pemaparan terbaik.
Walaupun pengenalan MLP meningkatkan overhed pemaparan, terima kasih kepada pelaksanaan CUDA 3D Gaussian yang sangat cekap dan struktur MLP padat kami, kami masih boleh mencapai pemaparan masa nyata. Pada 3090, purata FPS set data D-NeRF boleh mencapai 85 (400x400), 68 (800x800).
Selain itu, penyelidikan ini juga menggunakan saluran paip rasterisasi Gaussian yang boleh dibezakan dengan perambatan kedalaman ke hadapan dan belakang untuk kali pertama. Seperti yang ditunjukkan dalam Rajah 6, kedalaman ini juga membuktikan bahawa Deformable-GS juga boleh mendapatkan perwakilan geometri yang teguh. Penyebaran belakang yang mendalam boleh menggalakkan banyak tugas yang memerlukan pengawasan yang mendalam pada masa hadapan, seperti pemaparan songsang (Penyebaran Songsang), SLAM dan pemanduan autonomi. Rajah 6 Visualisasi kedalaman.Pengarang pertama kertas kerja: Yang Ziyi, pelajar sarjana tahun kedua di Universiti Zhejiang. dan lain-lain.
Pengarang lain kertas kerja: Gao Xinyu, pelajar sarjana tahun ketiga di Universiti Zhejiang Arah penyelidikan utamanya ialah medan sinaran saraf dan gabungan pemandangan tersirat.
Zhang Yuqing: Pelajar ijazah sarjana tahun kedua di Universiti Zhejiang.Pengarang kertas kerja yang sepadan ialah Profesor Jin Xiaogang dari Pusat Pengajian Sains dan Teknologi Komputer, Universiti Zhejiang.
E-mel: jin@cad.zju.edu.cnAtas ialah kandungan terperinci Kertas skor penuh CVPR 2024: Universiti Zhejiang mencadangkan kaedah baharu pembinaan semula dinamik monokular berkualiti tinggi berdasarkan Gaussian tiga dimensi boleh ubah bentuk. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

PowerInfer提高了在消费级硬件上运行AI的效率上海交大团队最新推出了超强CPU/GPULLM高速推理引擎PowerInfer。PowerInfer和llama.cpp都在相同的硬件上运行,并充分利用了RTX4090上的VRAM。这个推理引擎速度有多快?在单个NVIDIARTX4090GPU上运行LLM,PowerInfer的平均token生成速率为13.20tokens/s,峰值为29.08tokens/s,仅比顶级服务器A100GPU低18%,可适用于各种LLM。PowerInfer与

要让大型语言模型(LLM)充分发挥其能力,有效的prompt设计方案是必不可少的,为此甚至出现了promptengineering(提示工程)这一新兴领域。在各种prompt设计方案中,思维链(CoT)凭借其强大的推理能力吸引了许多研究者和用户的眼球,基于其改进的CoT-SC以及更进一步的思维树(ToT)也收获了大量关注。近日,苏黎世联邦理工学院、Cledar和华沙理工大学的一个研究团队提出了更进一步的想法:思维图(GoT)。让思维从链到树到图,为LLM构建推理过程的能力不断得到提升,研究者也通

近期,复旦大学自然语言处理团队(FudanNLP)推出LLM-basedAgents综述论文,全文长达86页,共有600余篇参考文献!作者们从AIAgent的历史出发,全面梳理了基于大型语言模型的智能代理现状,包括:LLM-basedAgent的背景、构成、应用场景、以及备受关注的代理社会。同时,作者们探讨了Agent相关的前瞻开放问题,对于相关领域的未来发展趋势具有重要价值。论文链接:https://arxiv.org/pdf/2309.07864.pdfLLM-basedAgent论文列表:

大型语言模型(LLM)被广泛应用于需要多个链式生成调用、高级提示技术、控制流以及与外部环境交互的复杂任务。尽管如此,目前用于编程和执行这些应用程序的高效系统却存在明显的不足之处。研究人员最近提出了一种新的结构化生成语言(StructuredGenerationLanguage),称为SGLang,旨在改进与LLM的交互性。通过整合后端运行时系统和前端语言的设计,SGLang使得LLM的性能更高、更易控制。这项研究也获得了机器学习领域的知名学者、CMU助理教授陈天奇的转发。总的来说,SGLang的

将不同的基模型象征为不同品种的狗,其中相同的「狗形指纹」表明它们源自同一个基模型。大模型的预训练需要耗费大量的计算资源和数据,因此预训练模型的参数成为各大机构重点保护的核心竞争力和资产。然而,与传统软件知识产权保护不同,对预训练模型参数盗用的判断存在以下两个新问题:1)预训练模型的参数,尤其是千亿级别模型的参数,通常不会开源。预训练模型的输出和参数会受到后续处理步骤(如SFT、RLHF、continuepretraining等)的影响,这使得判断一个模型是否基于另一个现有模型微调得来变得困难。无

FATE2.0全面升级,推动隐私计算联邦学习规模化应用FATE开源平台宣布发布FATE2.0版本,作为全球领先的联邦学习工业级开源框架。此次更新实现了联邦异构系统之间的互联互通,持续增强了隐私计算平台的互联互通能力。这一进展进一步推动了联邦学习与隐私计算规模化应用的发展。FATE2.0以全面互通为设计理念,采用开源方式对应用层、调度、通信、异构计算(算法)四个层面进行改造,实现了系统与系统、系统与算法、算法与算法之间异构互通的能力。FATE2.0的设计兼容了北京金融科技产业联盟的《金融业隐私计算

IBM再度发力。随着AI系统的飞速发展,其能源需求也在不断增加。训练新系统需要大量的数据集和处理器时间,因此能耗极高。在某些情况下,执行一些训练好的系统,智能手机就能轻松胜任。但是,执行的次数太多,能耗也会增加。幸运的是,有很多方法可以降低后者的能耗。IBM和英特尔已经试验过模仿实际神经元行为设计的处理器。IBM还测试了在相变存储器中执行神经网络计算,以避免重复访问RAM。现在,IBM又推出了另一种方法。该公司的新型NorthPole处理器综合了上述方法的一些理念,并将其与一种非常精简的计算运行

Meta的视频合成新框架给我们带来了一些惊喜就今天的人工智能发展水平来说,文生图、图生视频、图像/视频风格迁移都已经不算什么难事。生成式AI天赋异禀,能够毫不费力地创建或修改内容。尤其是图像编辑,在以十亿规模数据集为基础预训练的文本到图像扩散模型的推动下,经历了重大发展。这股浪潮催生了大量图像编辑和内容创建应用。基于图像的生成模型所取得的成就基础上,下一个挑战的领域必然是为其增加「时间维度」,从而实现轻松而富有创意的视频编辑。一种直接策略是使用图像模型逐帧处理视频,然而,生成式图像编辑本身就具有


Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Penyesuai Pelayan SAP NetWeaver untuk Eclipse
Integrasikan Eclipse dengan pelayan aplikasi SAP NetWeaver.

mPDF
mPDF ialah perpustakaan PHP yang boleh menjana fail PDF daripada HTML yang dikodkan UTF-8. Pengarang asal, Ian Back, menulis mPDF untuk mengeluarkan fail PDF "dengan cepat" dari tapak webnya dan mengendalikan bahasa yang berbeza. Ia lebih perlahan dan menghasilkan fail yang lebih besar apabila menggunakan fon Unicode daripada skrip asal seperti HTML2FPDF, tetapi menyokong gaya CSS dsb. dan mempunyai banyak peningkatan. Menyokong hampir semua bahasa, termasuk RTL (Arab dan Ibrani) dan CJK (Cina, Jepun dan Korea). Menyokong elemen peringkat blok bersarang (seperti P, DIV),

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Pelayar Peperiksaan Selamat
Pelayar Peperiksaan Selamat ialah persekitaran pelayar selamat untuk mengambil peperiksaan dalam talian dengan selamat. Perisian ini menukar mana-mana komputer menjadi stesen kerja yang selamat. Ia mengawal akses kepada mana-mana utiliti dan menghalang pelajar daripada menggunakan sumber yang tidak dibenarkan.