介绍CLIP模型及其下游应用

本文**提出一个三维场景的潜在扩散模型**，它仅使用2D图像数据训练。文章首先设计了一个**1.自动编码器，将多视图图像映射到三维GS** ，同时构建这些splats的压缩潜在表示。然后，我们 **2.在潜在空间上训练一个多视图扩散模型来学习一个有效的生成模型** 。该管道不需要对象的mask 或深度，并且适用于具有任意摄像机位置的复杂场景。我们在两个复杂真实场景的

DiffusionDet论文、原理及代码分析

sam作为首个分割一切的zero shot 图像分割模型，展现出了强大性能。紧随其后，今年陆续出了FastSAM 与 MobileSAM两个加速版本。博主已经安装，亲测效果很棒

Flash3D，一种通用的单一图像场景重建。模型从一个单目深度估计的“基础”模型开始，扩展到一个完整的三维形状和外观重建器。为了高效，基于前向的GS进行扩展。具体的，模型预测了深度图表面的第一层GS，然后添加一层空间中的额外的高斯偏移，允许模型完成遮挡和截断后的重建。Flash3D高效，只需在单一GPU上训练一天。训练和测试在 RealEstate10k数据集上。当转移到NYU和KITTI的未知数

三维高斯喷溅（3DGS）是一种最新的三维重建技术，提供了高效的训练和渲染速度，使其适用于实时应用。然而，目前的方法需要高度控制的环境——没有移动的人或风吹的元素，以及一致的照明——以满足3DGS的视图间一致性假设。这使得重建现实世界的捕获成为问题。我们提出了无斑点斑图，一种利用预训练和通用特征结合鲁棒优化来有效地忽略瞬态干扰物的方法。我们的方法实现了最先进的重建质量。利用神经辐射场（NeRF）和最

功能：作为一名算法工程师，训练机器学习模型只是为客户提供解决方案的一部分。 除了生成和清理数据、选择和调整算法之外，还需交付和部署结果，以便在生产中使用实现python或基于虚拟环境的pytorch项目，在终端部署。即py文件最终变成exe，可脱离python环境，在任意终端运行。Requests建立在世界上下载量最大的Python库urllib3上，它令Web请求变得非常简单，功能强大且用途广泛

隐式神经表示为动态场景重建和渲染的新方法铺平了道路。尽管如此，先进的动态神经渲染方法很大程度依赖这些隐式表示，经常难以捕捉场景中物体的复杂细节。此外，隐式方法在一般动态场景中实现实时渲染，限制了它们在各种任务中的使用。为了解决这一问题，我们提出了一种可变形的三维高斯分布的splatting 方法，该方法使用三维高斯分布来重建场景，并在具有变形场的规范空间中学习它们，以建模单目动态场景。我们还引入了

3D Gaussian Splatting (3DGS) 最近革新了辐射场重建，实现了高质量新视角合成和快速渲染速度。然而，由于3D高斯的多视图不一致性，3DGS无法准确表示表面。我们提出了2D Gaussian Splatting (2DGS)，这是一种从多视图图像中建模和重建几何精确辐射场的新方法。关键思路是将3D体积压缩成一组2D定向平面高斯圆盘。与3D高斯不同，2D高斯在内在建模表面的同时

三维高斯溅射（3DGS）在提高实时渲染性能的同时，展示了令人印象深刻的新视图合成性能。然而，它的有效性在很大程度上依赖于初始点云的质量，导致在初始化点不足的区域出现模糊和针状伪影（ needle-like artifacts）。这个问题主要是由于点云的增长条件，它只考虑了可观测视点的splats的平均梯度大小，因此对于许多只覆盖在边界内的可观测的大高斯值无法增长。为了解决这个问题，Pixel-GS