BriefGPT - AI 论文速递
·
基于SO(2)等变高斯雕刻网络的单视图三维重建
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
GS-LRM是一个可扩展的大型重建模型，使用单个A100 GPU从2-4个稀疏图像中预测高质量的3D高斯原语，并在0.23秒内完成。该模型采用基于transformer的架构，适用于不同尺度和复杂性的场景。GS-LRM在对象和场景捕捉方面优于现有方法，并在下游3D生成任务中展示了应用。
🎯
关键要点
- GS-LRM是一个可扩展的大型重建模型，能够在单个A100 GPU上从2-4个稀疏图像中预测高质量的3D高斯原语。
- 该模型在0.23秒内完成预测，采用基于transformer的架构。
- GS-LRM通过分块处理输入图像，并使用transformer块传递多视图图像令牌，解码每像素的高斯参数以进行可微渲染。
- 与低秩模型不同，GS-LRM能够处理不同尺度和复杂性的场景，预测每像素的高斯分布。
- 模型在对象和场景捕捉方面优于现有方法，并在Objaverse和RealEstate10K数据集上训练表现更好。
- GS-LRM在下游3D生成任务中展示了应用潜力。
➡️
