复现Neuralangelo模型（在真实数据和合成数据上进行训练）

VIP文章 已于 2024-03-02 15:08:18 修改
阅读量1.2k 收藏 4
点赞数 2
文章标签： 计算机视觉 深度学习
于 2023-09-22 21:41:10 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Z2879964813/article/details/133185362
版权

关于neuralangelo的代码：GitHub - NVlabs/neuralangelo: Official implementation of "Neuralangelo: High-Fidelity Neural Surface Reconstruction" (CVPR 2023)

（没有礼貌问的问题一律不再回答，不要做伸手党，我没有为你服务的义务。） 

系统：18.04（ubuntu）

显卡内存：24G

显卡型号：GeForce 3090

环境：python 3.8

        cuda 11.7

1. git clone https://github.com/NVlabs/neuralangelo

2. cd neuralangelo

3. conda env create --file neuralangelo.yaml

4. conda activate neuralangelo

5.中间再一次经历了torch2.0非gpu版本的报错，

最低0.47元/天 解锁文章
ZoneIan
关注
  • 2
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 14
    评论
基于yolov7改进将顶会论文模块复现加入模型源码+权重文件+数据集下载链接.zip
10-18
基于yolov7改进将顶会论文模块复现加入模型源码+权重文件+数据集下载链接.zip 已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。 基于yolov7改进将顶会论文模块复现加入模型源码+权重文件+数据集下载链接.zip 已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。基于yolov7改进将顶会论文模块复现加入模型源码+权重文件+数据集下载链接.zip 已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。基于yolov7改进将顶会论文模块复现加入模型源码+权重文件+数据集下载链接.zip 已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完整确保可以运行。基于yolov7改进将顶会论文模块复现加入模型源码+权重文件+数据集下载链接.zip 已获导师指导并通过的97分的高分课程设计项目，可作为课程设计和期末大作业，下载即用无需修改，项目完
Neuralangelo AI - 视频生成3D模型
新缸中之脑
06-08 2242
通过 Neuralangelo，NVIDIA Research 展示了 AI 在将 2D 视频转换为身临其境的 3D 场景方面的巨大潜力。它捕捉复杂细节和纹理的能力为各个行业开辟了新的可能性，从游戏和艺术到机器人和工业数字孪生。Neuralangelo 彻底改变了创意工作流程，使专业人士能够以无与伦比的保真度在数字环境中重建现实世界。
【论文阅读】Neuralangelo：高保真神经表面重建
WoooChi的博客
06-05 3681
Neuralangelo: High-Fidelity Neural Surface Reconstruction 全文翻译
高质量论文推荐第一期（20230816）
m0_47867638的博客
08-16 142
Neuralangelo是一种创新的方法，结合了多分辨率3D哈希网格和神经表面渲染，旨在更有效地从多视图图像中恢复密集的3D表面结构。该方法通过两个关键成分实现了这一目标：（1）使用数值梯度计算高阶导数，以实现平滑操作；（2）采用粗到细的优化方法，控制不同细节级别的哈希网格。Neuralangelo的优势在于其能够处理大规模场景，并在没有辅助输入（如深度）的情况下，实现高精度的3D重建。这种方法在保真度方面显著超越了以前的方法，能够从RGB视频捕捉中实现详细的大规模场景重建。
BERT复现，包括数据集，预训练和微调
01-11
BERT 是一种基于 Transformer 架构的大型预训练模型，它通过学习大量文本数据来理解语言的深层次结构和含义，从而在各种 NLP 任务中实现卓越的性能。 核心的 BERTModel 类集成了模型的主体架构。它首先利用 BERTEncoder 编码器来处理输入的文本。这个编码器由多个 Transformer 编码块构成，每个编码块内包含多头注意力机制和前馈神经网络。这种结构能够有效地捕捉文本中不同词汇间的复杂关联，使模型能够理解上下文中的语义信息。模型还包括了两个关键任务：掩蔽语言模型（MaskLM）和下一句预测（NextSentencePred）。MaskLM 任务通过随机掩蔽输入文本中的某些单词，训练模型去预测这些被掩蔽的单词，从而学习语言的内部结构。下一句预测任务则是让模型判断两个句子是否是连续的，这有助于模型理解句子间的关系。 在 BERTEncoder 类中，包含了一个词嵌入层、一个段落嵌入层以及位置嵌入，这些嵌入层共同为模型提供了关于单词、其在句子中的位置以及句子所属段落的信息。随后，这些嵌入信息被送入一系列的 Transformer 编码块中，每个编码块都包含了多
Nerf论文阅读笔记Neuralangelo: High-Fidelity Neural Surface Reconstruction
出门吃三碗饭的博客
07-11 1340
Nerf论文阅读笔记Neuralangelo: High-Fidelity Neural Surface Reconstruction 神经表面重建已被证明是有效的非常适合通过基于图像的神经渲染恢复密集的 3D 表面。然而，当前的方法很难恢复现实世界场景的详细结构。为了解决这个问题，我们提出了 Neuralangelo，它将多分辨率 3D 哈希网格的表示能力与神经表面渲染相结合。我们的方法有两个关键要素：(1) 用于计算高阶导数作为平滑操作的数值梯度；(2) 对控制不同细节级别的哈希网格进行从粗到细的优化。
Neuralangelo
whaosoft143ai的博客
06-20 793
哈希网格分辨率：如果从优化一开始，所有哈希网格都被激活，为了捕获几何细节，细粒度哈希网格就必须首先「忘记」粗粒度优化（更大步长）所学到的东西，并用更小的步长「重新学习」。如果让程函损失用更大的步长来计算数值表面法线，能在更大规模上确保表面法线的一致性，由此能得到一致和连续的表面。为了解决这个问题，英伟达和约翰霍普金斯大学发布了一项研究，开发了一种命名为 Neuralangelo（即神经朗基罗）的模型，其可以将 2D 视频片段重建成细节丰富的 3D 结构，比如生成建筑、雕塑和其它现实物体的逼真虚拟复制品。
Ubuntu20.04复现instant-nsr-pl和unisurf（nerf表面重建应用）
weixin_59961223的博客
06-25 1126
ps:主要是复现nerf曲面重建的应用，instant-nsr-pl和instant-ngp相似，都可以快速的进行训练，instant-nsr-pl借鉴了neus和instant-ngp，使表面重建更加的快速，得到的模型效果也十分不错。unisurf是nerf表面重建应用比较早的一篇文章，为了进一步研究神经隐式曲面重建也复现了一下，便于后续的学习。
955 神仙公司名单
3D视觉工坊
08-25 108
来源：Jack Cui大家好，我是 Jack。今天继续聊聊互联网上发生的那些事，又是聊技术、聊“八卦”的一天～一、NeuralangeloNeuralangelo，神经朗基罗，论文发了两个月，一直没有放出代码，最近终于开源了！Neuralangelo 是一种 3D 重建算法。算法根据输入的视频，对物体进行三维重建。建模师，狂喜！！！我们先看一下效果：不仅可以 3D 建模纹理细节丰富的雕像大卫：大卫...
英伟达馋哭建模师！投喂随意视频，直出3D模型，华人一作登CVPR 2023
量子位
06-02 231
鱼羊 萧箫 发自 凹非寺量子位 | 公众号 QbitAI英伟达一出手，3D建模师都馋哭了。现在，制作一个纹理超细致的大卫3D模型，需要几步？刚刚靠着AI，市值一度飚破万亿美元的英伟达给出最新答案：给AI投喂一段普通视频，它就能自动搞定。不仅雕塑的每一个褶皱都能拿捏住，更为复杂的建筑场景3D重建，同样靠一个视频就能解决：连深度都能直接估算出来。这个新AI名叫Neuralangelo，来自英伟达研究院...
歌声合成系统`A Neural Parametric Singing Synthesizer复现`内含数据集、预训练模型.zip
11-01
歌声合成系统`A Neural Parametric Singing Synthesizer复现`内含数据集、预训练模型 ###### 如果只想用自己的数据测试： - 1. 将自己的数据放到data/raw目录下 - 2. 将 data/preprocess.py 中的 custom_test 改为True - 3. 运行 data/preprocess.py - 4. inference.py 中的文件名改成自己的文件名 - 5. python inference.py ### 五、模型的训练 ``` python train_harmonoc.py python train_aperoidic.py python train_vuv.py ```
PSMNet网络 KITTI2015预训练模型以及KITTI2015数据集
05-15
PSMNet网络进行复现时，需要下载KITTI2015数据集以及预训练权重，但作者是将文件上传至谷歌网盘，下载极其麻烦，为此特提供已下载的预训练模型，下载完成后，不要解压，直接放入网络对应位置即可使用。
Fama-French五因子模型数据和Stata代码（2000-2020年）
04-16
Fama-French五因子模型数据和Stata代码（2000-2020年）
【三维重建】【深度学习】NeuS代码Pytorch实现--测试阶段代码解析(下)
yangyu0515的博客
08-22 594
【三维重建】【深度学习】NeuS代码Pytorch实现--测试阶段代码解析(下)
注意力机制在目标检测中的应用
MrLi的博客
05-14 540
注意力机制作为一种有效的机制，在目标检测中有着广泛的应用前景。通过引入注意力机制，模型可以更好地关注图像中的目标区域，提高检测性能和准确性。在YOLOv8中，虽然没有直接引入注意力机制，但可以通过在其结构中加入注意力模块来实现对不同特征图区域的关注。这为改进和优化YOLOv8模型提供了新的思路和方向。
[数据集][目标检测]肺结节检测数据集VOC+YOLO格式1186张1类别
FL1623863129的博客
05-16 179
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)重要说明：数据集为小目标检测，小目标检测可能会在训练map精度低，属于正常现象，小目标检测一般都很难获得高的精度。特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：1186。标注数量(xml文件个数)：1186。标注数量(txt文件个数)：1186。标注规则：对类别进行画矩形框。
[数据集][目标检测]抽烟喝酒检测数据集VOC+YOLO格式1026张2类别
最新发布
FL1623863129的博客
05-18 268
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注类别名称:[“drinking”,“smoking”]图片数量(jpg文件个数)：1026。标注数量(xml文件个数)：1026。标注数量(txt文件个数)：1026。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
[数据集][目标检测]卡车抓斗卸车检测数据集VOC+YOLO格式213张2类别
FL1623863129的博客
05-16 141
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注类别名称:["dump","truck"]图片数量(jpg文件个数)：213。标注数量(xml文件个数)：213。标注数量(txt文件个数)：213。使用标注工具：labelImg。truck 框数 = 213。标注规则：对类别进行画矩形框。
提升文本到图像模型的空间一致性：SPRIGHT数据集与训练技术的新进展
人工智能前沿分享
05-13 1058
为语言模型提供明确的指示，要求其生成包含特定空间关系的描述。例如，提示可能要求模型使用“left/right”、“above/below”、“front/behind”等词汇。
sqlite已删除数据如何在app中复现
07-19
### 回答1： 在应用中，当SQLite数据库中的数据被删除后，要在应用中复现这些已删除的数据，你可以通过以下方式操作： 1. 数据备份和恢复：如果你在删除数据之前进行了备份，可以将备份数据恢复到数据库中，以复现已删除的数据。 2. 日志记录与追溯：如果你的应用中使用了日志记录功能，可以查看日志文件，通过日志中的记录，找到相应的删除操作，获取被删除的数据，并根据需要进行还原。 3. 云端同步功能：如果你的应用中有与云端数据同步的功能，可以在云端数据库中找到已删除的数据，并将其同步到应用中，以复现已删除的数据。 4. 版本控制与历史记录：如果你的应用中具备版本控制或历史记录的功能，可以查看之前的版本或历史记录，找到被删除的数据，并进行还原。 5. 与其他设备同步：如果你的应用支持数据同步功能，可以从其他设备上同步数据到当前设备，包括被删除的数据。 需要注意的是，以上方法的可行性和实施方式取决于你的应用的具体实现和功能。如果以上方法无法应用于你的应用，那么在SQLite数据库中已删除的数据将无法在应用中复现。 ### 回答2： 当使用SQLite进行数据删除操作后，已删除的数据将无法直接通过应用程序来复现。SQLite是一种轻量级的嵌入式数据库管理系统，其删除操作是永久性的，即数据从数据库中被永久删除，无法恢复。 如果你希望在应用程序中复现被删除的数据，你可以采取以下几种方式： 1. 数据备份：在删除数据之前，进行数据备份。在备份的数据中，删除前的数据仍然存在，可以通过备份文件来恢复被删除的数据。这需要在应用程序中实现数据备份和恢复的功能。 2. 使用日志记录：在进行数据删除操作时，在应用程序中添加日志记录功能。当删除数据时，将数据的相关信息（如删除的记录ID等）写入日志文件中。通过读取日志文件，可以获取到已删除的数据信息，并在需要的时候重新创建这些数据。 3. 使用软删除：在数据库设计中，可以使用软删除的方法，即在删除数据时，仅将数据的状态标记为删除，而不是实际删除数据。通过应用程序的查询操作，可以筛选出已删除的数据，并在需要的时候将标记为删除的数据重新显示在应用程序中。 总之，SQLite的删除操作是永久性的，无法直接在应用程序中复现已删除的数据。但可以通过数据备份、日志记录或者软删除等方式，在应用程序中间接实现复现已删除数据的功能。具体的实现方法取决于应用程序的需求和设计。 ### 回答3： 要在app中复现已经删除的SQLite数据，需要通过以下步骤： 1. 确定SQLite数据库的位置：首先，你需要找到SQLite数据库在你的app中的位置。通常情况下，SQLite数据库文件存储在app的data目录下的databases子目录中。 2. 使用恢复工具：可以使用一些专门的SQLite数据库恢复工具，如Forensic Browser for SQLite、SQLite Recovery等。这些工具可以扫描硬盘中被删除的数据，然后恢复已删除的数据。 3. 扫描并恢复已删除的数据：运行数据库恢复工具，选择你要进行恢复的SQLite数据库文件。工具将开始扫描并恢复已删除的数据。请注意，恢复数据的成功率取决于数据被删除的时间以及硬盘上被重写的数据量。 4. 导入恢复后的数据：将恢复后的数据导入到你的app中。你可以使用数据库管理工具或者编写脚本来导入已恢复的数据。 需要注意的是，这种方法的成功与否取决于数据被删除的时间以及硬盘上被重写的数据量。如果数据被删除后很长时间或者硬盘上有大量的写入操作，那么恢复的成功率可能会较低。 此外，这种方法需要使用专门的数据库恢复工具，对于普通用户来说可能有一定的技术门槛。因此，在删除数据之前最好备份数据，以免出现意外情况。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 14
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值