Advertisement

Open-PIFuhd: 基于PyTorch的PIFuhd实现

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：ZIP

简介：
Open-PIFuhd是一款基于PyTorch框架开发的人体三维重建工具，它提供了高质量、高效率的深度学习模型，用于从单幅图像中生成逼真的人物模型。 这是非官方实现（CVPR2020）的概述： 执行： - 训练粗略PIFuhd - 训练优良的PIFuhd - 推理 指标：P2S，普通，倒角 GAN生成正面法线和背面法线（正在设计中） 请注意，管道不考虑pix2pixHD生成的法线贴图，因为这并不是重新实现PIFuhd的主要挑战。我将尽快发布GAN + PIFuhd。 先决条件： - PyTorch >= 1.6 - json - PIL - skimage - tqdm - cv2 与PyOpenGL和freeglut（Ubuntu用户可以使用sudo apt-get install freeglut3-dev安装）相关联。对于无头机器渲染，可选的EGL相关的软件包也可以用到（Ubuntu用户可以用apt install libgl1-mesa-dri libegl1-mesa libgbm1来安装）。 数据处理： 我们使用的数据是特定格式的数据集。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Open-PIFuhd: 基于PyTorch的PIFuhd实现
    优质
    Open-PIFuhd是一款基于PyTorch框架开发的人体三维重建工具，它提供了高质量、高效率的深度学习模型，用于从单幅图像中生成逼真的人物模型。 这是非官方实现（CVPR2020）的概述： 执行： - 训练粗略PIFuhd - 训练优良的PIFuhd - 推理 指标：P2S，普通，倒角 GAN生成正面法线和背面法线（正在设计中） 请注意，管道不考虑pix2pixHD生成的法线贴图，因为这并不是重新实现PIFuhd的主要挑战。我将尽快发布GAN + PIFuhd。 先决条件： - PyTorch >= 1.6 - json - PIL - skimage - tqdm - cv2 与PyOpenGL和freeglut（Ubuntu用户可以使用sudo apt-get install freeglut3-dev安装）相关联。对于无头机器渲染，可选的EGL相关的软件包也可以用到（Ubuntu用户可以用apt install libgl1-mesa-dri libegl1-mesa libgbm1来安装）。 数据处理： 我们使用的数据是特定格式的数据集。
     
  • Pifuhd：基于单一图像的高分辨率3D人体建模
    优质
    Pifuhd是一款创新软件，能够从单张图片中生成高清三维人体模型。它利用深度学习技术，在保持细节和真实感的同时实现了高效的人体三维重建。 消息： [2020/06/15]可以使用Google Colab进行演示（包括可视化）！请查看以了解用户测试的许多结果！ 该存储库包含“用于高分辨率3D人类数字化的多级像素对齐的隐式函数”的pytorch实现。 代码库提供： - 测试代码 - 可视化代码 - Google Colab上的演示 如果您没有运行GPU的环境来运行PIFuHD，我们将提供Google Colab演示。您还可以上传自己的图像并与可视化一起重建3D几何。使用以下笔记本尝试我们的Colab演示： 要求： - Python 3 - json - PIL (Pillow) - skimage - tqdm - cv2 为了进行可视化，请安装与pybrbree、PyOpenGL以及freeglut（Ubuntu用户可以使用sudo apt-get install freeglut3-dev命令）相关的库。还需要ffmpeg。 建议至少使用8GB GPU内存来运行PIFuHD。
     
  • 将照片瞬间转换为3D模型：PIFuHD
    优质
    PIFuHD是一种创新技术，能够将二维照片迅速转化为高分辨率、细节丰富的三维模型，广泛应用于虚拟现实和游戏开发领域。 PIFuHD 是 Facebook 研究所开源的一款 AI 模型，该模型的存储库包含了“用于高分辨率 3D 人类数字化的多级像素对齐的隐式函数”的 PyTorch 实现。目前论文代码已公开。
     
  • 基于 Open GL 的台灯实现
    优质
    本项目采用Open GL技术开发了一款虚拟现实中的台灯模型，通过编程实现了台灯在不同光照条件下的渲染效果，为用户提供沉浸式的视觉体验。 利用OpenGL实现一个小台灯实例的源代码可以包括创建光源、设置材质属性以及渲染物体等内容。这样的项目有助于学习光照效果在三维图形中的应用，并且能够加深对OpenGL库的理解与掌握。通过编写此类程序，开发者不仅能够提升自己的编程技能，还能创造出具有真实感的视觉体验。
     
  • SiamRPN-PyTorch: 基于PyTorch的SiamRPN实现
    优质
    SiamRPN-PyTorch是一款基于PyTorch框架开发的代码库，实现了Siamese Region Proposal Network（SiamRPN）算法。该工具为视觉追踪任务提供了高效、灵活的解决方案。 SiamRPN-PyTorch 使用 PyTorch 框架为对象跟踪应用程序重新实现了 SiamRPN。开发的代码基于先前的一些实现工作，并且为了测试所开发的代码，使用了 VOT-2013 体操子数据集。要求 Python 版本 >= 3.6、PyTorch 版本 >= 1.0.1、torchvision 和 cv2 库。 训练和追踪：已实现的代码以 [x1, y1, w, h] 的形式接收地面真实值（ground truth）。数据集结构如下： ``` dataset_path/Gymnastics/img1.jpg /img2.jpg ... /imgN.jpg /groundtruth.txt ``` 运行命令： $ python3 SiamRPN_train.py
     
  • EfficientNet-PyTorch：基于PyTorch的EfficientNet实现
    优质
    EfficientNet-PyTorch是使用PyTorch框架开发的EfficientNet模型的高效实现，适用于图像分类任务。它通过自动模型缩放策略优化了网络结构和参数大小。 使用EfficientNet PyTorch可以通过pip install efficientnet_pytorch命令安装，并通过以下代码加载预训练的模型： ```python from efficientnet_pytorch import EfficientNet model = EfficientNet.from_pretrained(efficientnet-b0) ``` 更新记录如下： - 2020年8月25日：新增了一个`include_top（默认为True）`选项，同时提高了代码质量和修复了相关问题。 - 2020年5月14日：增加了全面的注释和文档支持（感谢@workingcoder贡献）。 - 2020年1月23日：基于对抗训练添加了新的预训练模型类别，名为advprop。
     
  • SMOTE-Pytorch：基于Pytorch的SMOTE实现
    优质
    SMOTE-Pytorch 是一个利用 PyTorch 框架高效实现 SMOTE (Synthetic Minority Over-sampling Technique) 算法的项目，旨在解决类别不平衡问题，适用于深度学习任务的数据预处理。 当分类标签的分布不均衡时，数据集就会出现不平衡状态，在诸如欺诈检测之类的大量现实问题中，这种不平衡往往达到100比1的程度。尽管已经采取了多种方法来解决这一难题，但这个问题仍然备受关注，并且是研究的一个活跃领域。这里展示的是SMOTE（综合少数族裔过采样技术）的Pytorch实现版本。 关于SMOTE算法的相关内容和原理可以参考其原始论文《SMOTE: Synthetic Minority Over-sampling Technique》。
     
  • ERNIE-Pytorch：基于Pytorch的ERNIE实现
    优质
    ERNIE-Pytorch是一个基于PyTorch框架构建的开源项目，它实现了百度的预训练语言模型ERNIE，为自然语言处理任务提供强大的工具支持。 ERNIE是基于Bert模型构建的，在中文自然语言处理任务上表现出色。 您可以采用以下三种方式来使用这些强大的模型： 直接加载（推荐） 以ernie-1.0为例： ```python from transformers import AutoTokenizer, AutoModel tokenizer = AutoTokenizer.from_pretrained(nghuyong/ernie-1.0) model = AutoModel.from_pretrained(nghuyong/ernie-1.0) ``` 您可以访问Hugging Face的模型中心以查找所有支持的ERNIE版本。 以下是几个模型及其在Transformer中的标识符： | 模型 | Transformer中的标识符 | 描述 | |-----------|----------------------|----------| | ernie-1.0（中文） | nghuyong/ernie-1.0 | 中文版ERNIE，性能优越 | 下载模型的权重文件可以通过访问相应的链接来完成。
     
  • Flownet2-Pytorch：基于Pytorch的FlowNet 2.0实现
    优质
    Flownet2-Pytorch是利用PyTorch框架重现的FlowNet 2.0项目。该项目提供了一个灵活且高效的平台，用于学习和研究光流估计技术。 Flownet2-pytorch是FlowNet的PyTorch实现版本。它支持多GPU训练，并提供有关干净数据集与最终数据集的训练或推理示例。相同的命令可用于其他数据集的训练或推断，详情请参考相关文档。此外，该库还支持使用fp16（半精度）进行推理。 网络架构部分提供了多种不同的Flownet神经网络结构选项：FlowNet2S、FlowNet2C、FlowNet2CS、FlowNet2CSS 和 FlowNet2SD。每个网络的BatchNorm版本也可用。需要注意的是，FlowNet2或其衍生模型（如FlowNet2C*）依赖于自定义层Resample2d和Correlation 。这些定制层与CUDA内核的PyTorch实现可供使用。 数据加载器部分提供了相关说明和支持。
     
  • SuperPoint-Pytorch：基于HTTPS的SuperPoint PyTorch实现
    优质
    SuperPoint-Pytorch 是一个基于HTTPS的项目，提供了用PyTorch框架实现的SuperPoint算法代码。此项目便于研究者和开发者在图像特征检测任务中使用与改进该模型。 超点火炬是Superpoint模型的PyTorch实现和评估文件。我们在Rémi Pautrat的TensorFlow实现中得到了很大的帮助。 在兴趣点检测方面，我们的模型似乎没有完全收敛，但与同形加法结合使用时结果看起来不错。 与其他点检测模型相比，虽然总体效果不如原始模型，但在匹配点的数量上有所差异：对于原始模型而言是这样的情况；而在我们实施的版本中则是另一番景象。尽管目前的整体表现不尽如人意，但我们希望将来能够利用不同的模块（例如数据生成、单应性调整等）进行改进。 该文件涵盖了实现的所有阶段： 1. 生成综合数据集 - 创建一个包含100,000个人造合成形状图像的数据集，并附带名称和标签的相应文件。此步骤在Tesla V-100上大约需要耗时12小时。 2. 使用合成数据集进行Magicpoint训练。