STORM-B/8
Καμία εκτίμηση
Δεν υπάρχουν απαιτήσεις υλικού για αυτό το μοντέλο
Δεν έχει δημοσιευτεί το βάρος για αυτό το μοντέλο, επομένως δεν μπορεί να κατέβει ή να τρέξει σε δικό σας υλικό σε οποιοδήποτε μέγεθος. Είναι προσβάσιμο μόνο μέσω του προμηθευτή του, και καμία κάρτα γραφικών δεν το αλλάζει αυτό..
Σε καταγραφή
Πλήρης προδιαγραφή
Όλα τα καταγεγραμμένα για αυτό το μοντέλο. Τα περισσότερα από αυτά περιγράφουν το πώς εκπαιδεύτηκε παρά το πώς τρέχει — χρήσιμο πλαίσιο για την εκτίμηση του πόση εργασία έχει επενδυθεί σε αυτό, και πώς συγκρίνεται με μοντέλα που έχουν κατασκευαστεί σε διαφορετική κλίμακα..
Προέλευση
Ποιος κατασκεύασε αυτό το μοντέλο, πού και πότε δημοσιεύθηκε.
- Οργάνωση
- University of Southern California,Georgia Institute of Technology,Stanford University,NVIDIA
- Τύπος οργανισμού
- Academia,Academia,Academia,Industry
- Χώρα
- United States of America
- Δημοσιευμένο
- 31 December 2024
- Συγγραφείς
- Jiawei Yang, Jiahui Huang, Yuxiao Chen, Yan Wang, Boyi Li, Yurong You, Apoorva Sharma, Maximilian Igl, Peter Karkus, Danfei Xu, Boris Ivanovic, Yue Wang, Marco Pavone
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες σχεδιάστηκε το μοντέλο. Ένα μοντέλο μπορεί να διαθέτει αρκετές από κάθε μία.
- τομέας
- 3D modeling
- Εργασία
- 3D reconstruction, 3D segmentation
- Αριθμητική μορφή
- TF32
Μέγεθος
Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα έχει εκπαιδευτεί. Οι παράμετροι είναι ο αριθμός που αποφασίζει αν χωράει σε μια δεδομένη κάρτα γραφικών.
- παράμετροι
- 100.6M
- Δεδομένα εκπαίδευσης
- tokens
- Μέγεθος παρτίδας
- 64
A.3 Baseline Implementations: "The number of trainable parameters of these models are controlled to be similar, i.e., GS-LRM has 86.68M parameters, LGM has 103.29M parameters, while our default STORM has 100.60M parameters. 3.3 Implementation, Model architecture: "By default, we use a 12-layer Vision Transformer (ViT-B) (Dosovitskiy, 2020) with full attention and a patch size of 8, along with M = 16 motion tokens." https://github.com/NVlabs/GaussianSTORM?tab=readme-ov-file#training Training: "…
4 Experiments, Datasets: "We primarily conduct experiments on the Waymo Open Dataset (Sun et al., 2020), which contains 1,000 sequences of driving logs: 798 sequences for training and 202 for validation. Each sequence consists of a 20-second video recorded at 10FPS." 10 frames/s * 20 s/scene = 200 frames/scene 200 frames/scene * 798 scene = 159600 frames (training) scene range: [0.1,20] s, or [1,200] frames Sampling scheme: 3.3 Implementation, Supervision and loss functions: "During traini…
Global batch size is 64; repo suggests per-GPU split of 4
Η εκπαίδευση run
Τι απαιτήθηκε φυσικά για την εκπαίδευση: ποιες κάρτες, πόσες, για πόσο καιρό, και τι αυτό απαιτούσε από το ρεύμα.
- Υλικό εκπαίδευσης
- NVIDIA A100
- χρησιμοποιούμενα τσιπ
- 16
- Κατανάλωση ενέργειας
- 12.6 kW
Πώς ταξινομείται
Ετικέτες το πηγαίο σύνολο δεδομένων εφαρμόζει όταν παρακολουθεί σημαντικά μοντέλα, και πόσο βέβαιο είναι στην είσοδο.
- Γιατί παρακολουθείται
- SOTA improvement
- Εγγραφή εμπιστοσύνης
- Confident
- Παραπομπές
- 38
Abstract: "Extensive experiments on public datasets show that STORM achieves precise dynamic scene reconstruction, surpassing state-of-the-art per-scene optimization methods (+4.3 to 6.6 PSNR) and existing feed-forward approaches (+2.1 to 4.7 PSNR) in dynamic regions. STORM reconstructs large-scale outdoor scenes in 200ms, supports real-time rendering, and outperforms competitors in scene flow estimation, improving 3D EPE by 0.422m and Acc5 by 28.02%." See Tables 1,2,3 - comparisons to EmerNeRF…
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία φορά.
- Αναφορά
- STORM: Spatio-Temporal Reconstruction Model for Large-Scale Outdoor Scenes
- Τελευταία ενημέρωση
- 25 May 2026
Τι σημαίνουν οι αριθμοί
Από πού προήλθε
STORM-B/8 δημοσιεύθηκε από University of Southern California,Georgia Institute of Technology,Stanford University,NVIDIA, στην χώρα καταγεγραμμένη ως United States of America, κατά τη διάρκεια December 2024. Η κατηγορία στην οποία υπάγεται ο εκδότης είναι academia,Academia,Academia,Industry.
Λειτουργεί στον τομέα της 3D modeling, και καταγράφεται ότι εκτελεί την εργασία του 3D reconstruction, 3D segmentation.
Τα βάρη του δεν έχουν δημοσιευθεί ποτέ, οπότε μπορεί να προσεγγιστεί μόνο μέσω του παρόχου του. Καμία κάρτα γραφικών δεν αλλάζει αυτό.
Εκπαίδευση και προελεύσεις
Αυτή παρακολουθείται στο υποκείμενο σύνολο δεδομένων για έναν συγκεκριμένο λόγο: sOTA improvement.
Απαντήσεις
STORM-B/8 — κοινές ερωτήσεις
STORM-B/8— είναι ανοιχτού κώδικα;
Η αδειοδότηση δεν καταγράφηκε ποτέ στα πηγά μας δεδομένα. Αντιμετωπίζουμε τις μη δηλωμένες άδειες ως κλειστές, επειδή μια μη καταγεγραμμένη άδεια δεν είναι μία στην οποία μπορείς να βασιστείς.
STORM-B/8— πόσες παραμέτρους έχει;
Έχει αριθμό παραμέτρων 100.6M. A.3 Baseline Implementations: "The number of trainable parameters of these models are controlled to be similar, i.e., GS-LRM has 86.68M parameters, LGM has 103.29M parameters, while our default STORM has 100.60M parameters. 3.3 Implementation, Model architecture: "By default, we use a 12-layer Vision Transformer (ViT-B) (Dosovitskiy, 2020) with full attention and a patch size of 8, along with M = 16 motion tokens." https://github.com/NVlabs/GaussianSTORM?tab=readme-ov-file#training Training: "Multi-GPU example that reproduces the paper's STORM-B/8 model: https://github.com/NVlabs/GaussianSTORM/blob/main/storm/models/storm.py def STORM_B_8(**kwargs): return STORM(patch_size=8, embed_dim=768, depth=12, num_heads=12, **kwargs) def STORM_L_8(**kwargs): return STORM(patch_size=8, embed_dim=1024, depth=24, num_heads=16, **kwargs) def STORM_B_16(**kwargs): return STORM(patch_size=16, embed_dim=768, depth=12, num_heads=12, **kwargs) def STORM_L_16(**kwargs): return STORM(patch_size=16, embed_dim=1024, depth=24, num_heads=16, **kwargs) def STORM_XL_8(**kwargs): return STORM(patch_size=8, embed_dim=1152, depth=28, num_heads=16, **kwargs) def STORM_H_8(**kwargs): return STORM(patch_size=8, embed_dim=1280, depth=32, num_heads=16, **kwargs) def STORM_H_16(**kwargs): return STORM(patch_size=16, embed_dim=1280, depth=32, num_heads=16, **kwargs) PyTorch model.parameters(): with "dummy decoder": STORM-B/8: 100.60M (100,598,707) STORM-L/8: 327.08M (327,081,139) STORM-XL/8: 476.55M (476,547,379) STORM-H/8: 665.91M (665,905,587) STORM-B/16: 103.42M (103,417,907) STORM-L/16: 330.82M (330,817,331) STORM-H/16: 670.56M (670,558,771) with "conv decoder", i.e. "Latent-STORM" (adds ~30M): STORM-B/8: 133.23M (133,230,019) STORM-L/8: 359.13M (359,125,699) STORM-XL/8: 508.30M (508,298,563) STORM-H/8: 697.36M (697,363,395) STORM-B/16: 134.21M (134,211,523) STORM-L/16: 360.43M (360,434,371) STORM-H/16: 699.00M (698,999,235). Αυτή η φιγούρα είναι το σύνολο, και είναι αυτό που αποφασίζει πόση μνήμη χρειάζεται το μοντέλο - περίπου μισό γιγαμπάιτ ανά δισεκατομμύριο με τη συμπίεση που χρησιμοποιεί το πιο πολλοί άνθρωποι.
STORM-B/8— ποιος το δημιούργησε;
Δημοσιεύθηκε από University of Southern California,Georgia Institute of Technology,Stanford University,NVIDIA, βασισμένο σε United States of America, μία οργάνωση κατηγοριοποιημένη ως academia,Academia,Academia,Industry.
STORM-B/8— πότε κυκλοφόρησε;
Δημοσιεύθηκε σε December 2024. Η ικανότητα ανά παράμετρο έχει βελτιωθεί σημαντικά από τότε, οπότε ένα νέο ΜΟΝΤΕΛ του ίδιου μεγέθους είναι συχνά η καλύτερη χρήση του ίδιου υλικού.
STORM-B/8— για τί χρησιμοποιείται;
Λειτουργεί στον τομέα της 3D modeling, και καταγράφεται ως διαχείριση της εργασίας του 3D reconstruction, 3D segmentation. Ένα ΜΟΝΤΕΛ μπορεί να φέρει πολλά από το καθένα, οπότε αυτές είναι οι περιοχές για τις οποίες κατασκευάστηκε παρά περιορισμός σε ό,τι θα προσπαθήσει.
STORM-B/8— ποια GPU χρειάζομαι για να το τρέξω;
Κανένα. Αυτό είναι ένα κλειστό μοντέλο - τα βάρη του δεν δημοσιεύθηκαν ποτέ, οπότε δεν μπορεί να κατέβει ή να εκτελεστεί σε δικό σας υλικό σε καμία τιμή. Είναι προσβάσιμο μόνο μέσω του προμηθευτή του.
Η άλλη κατεύθυνση
Κοιτάζοντας το από την άλλη πλευρά;
Αυτή η σελίδα ξεκινά από το μοντέλο. Αν έχετε ήδη μια κάρτα και θέλετε να μάθετε τα πάντα για το τι θα τρέξει., ξεκινήστε από το υλικό αντ' αυτού.