Photo-Geometric Autoencoder
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos de este modelo son OPEN WEIGHT, pero no se ha publicado ninguna cuenta de parámetros para él. Cada figura de MEMORY y velocidad comienza a partir de ese número, así que preferiríamos no mostrar nada que una estimación fabricada..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- University of Oxford
- Tipo de Organización
- Academia
- País
- United Kingdom of Great Britain and Northern Ireland
- Publicado
- 25 November 2019
- Autores
- Shangzhe Wu, Christian Rupprecht, Andrea Vedaldi
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- 3D modeling, Vision
- Tarea
- 3D reconstruction
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- 819,200,000 tokens
- Épocas
- 30
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Open — downloadable
- Acceso al modelo
- Open weights (unrestricted)
- Código de entrenamiento
- Open source
MIT license: https://github.com/elliottwu/unsup3d
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Unknown
- Citas
- 338
"Our model outperforms a current state-of-the-art 3D reconstruction method that uses 2D keypoint supervision" They don't claim absolute SOTA, only SOTA among unsupervised methods
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Unsupervised Learning of Probably Symmetric Deformable 3D Objects From Images in the Wild
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
Photo-Geometric Autoencoder fue publicado por University of Oxford, en el país registrado como United Kingdom of Great Britain and Northern Ireland, durante November 2019. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de 3D modeling, Vision, y se registra como realizando la tarea de 3D reconstruction.
El hecho de que los pesos sean abiertos es lo que coloca esta página en la calculadora en lugar de solo en el catálogo: es un modelo que puedes sostener.
Qué se necesitó para construirlo
El entrenamiento consumió un corpus de alrededor de 819,200,000 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: sOTA improvement.
Respuestas
Photo-Geometric Autoencoder — preguntas comunes
Photo-Geometric Autoencoder— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
Photo-Geometric Autoencoder— ¿Quién lo creó?
Fue publicado por University of Oxford, basado en United Kingdom of Great Britain and Northern Ireland, una organización categorizada como academia.
Photo-Geometric Autoencoder— ¿cuándo fue lanzado?
Se publicó en November 2019. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
Photo-Geometric Autoencoder— ¿Para qué se utiliza?
Funciona en el dominio de 3D modeling, Vision, y se registra como manejando la tarea de 3D reconstruction. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
Photo-Geometric Autoencoder— ¿Dónde puedo descargarlo?
Los pesos están publicados, aunque no tenemos un enlace de repositorio para ello. Este sitio calcula los requisitos de hardware en lugar de alojar archivos de modelo.
Photo-Geometric Autoencoder— ¿Qué GPU necesito para ejecutarlo?
No podemos decir. Tiene pesos abiertos, pero no se ha publicado ningún conteo de parámetros para él, y todos los cálculos de memoria y velocidad comienzan desde ese número. Preferiríamos no mostrar nada que una estimación fabricada.
Photo-Geometric Autoencoder— ¿Es de código abierto?
Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.