Photo-Geometric Autoencoder
Nessuna stima
Nessun requisito hardware per questo modello
I pesi di questo modello sono open weight, ma non è stato pubblicato alcun conteggio dei parametri. Ogni figura di memory e velocità parte da quel numero, quindi preferiremmo non mostrare nulla piuttosto che una stima fabbricata..
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- University of Oxford
- Tipo di organizzazione
- Academia
- Paese
- United Kingdom of Great Britain and Northern Ireland
- Pubblicato
- 25 November 2019
- Autori
- Shangzhe Wu, Christian Rupprecht, Andrea Vedaldi
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- 3D modeling, Vision
- Compito
- 3D reconstruction
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- Dati di addestramento
- 819,200,000 tokens
- Epoche
- 30
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Open — downloadable
- Accesso al modello
- Open weights (unrestricted)
- Codice di addestramento
- Open source
MIT license: https://github.com/elliottwu/unsup3d
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- SOTA improvement
- Record fiducia
- Unknown
- Citazioni
- 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
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Unsupervised Learning of Probably Symmetric Deformable 3D Objects From Images in the Wild
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Informazioni su questo modello
Photo-Geometric Autoencoder è stato pubblicato da University of Oxford, nel paese registrato come United Kingdom of Great Britain and Northern Ireland, durante November 2019. La categoria sotto cui rientra l'editore è academia.
Funziona nel dominio di 3D modeling, Vision, ed è registrato come eseguire il compito di 3D reconstruction.
I pesi aperti sono ciò che mette questa pagina nel calcolatore piuttosto che solo nel catalogo: è un modello che puoi effettivamente tenere.
Cosa è stato necessario per costruirlo
L'addestramento ha consumato un corpus di circa 819,200,000 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: sOTA improvement.
Risposte
Photo-Geometric Autoencoder — domande comuni
Photo-Geometric Autoencoder— quanti parametri ha?
Non è stato pubblicato alcun conteggio dei parametri per esso, motivo per cui non appare alcun dato sulla memoria o sulla velocità su questa pagina.
Photo-Geometric Autoencoder— chi l'ha creato?
È stato pubblicato da University of Oxford, basato su United Kingdom of Great Britain and Northern Ireland, un'organizzazione categorizzata come academia.
Photo-Geometric Autoencoder— quando è stato rilasciato?
È stato pubblicato in November 2019. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
Photo-Geometric Autoencoder— A cosa serve?
Funziona nel dominio di 3D modeling, Vision, e viene registrato come gestire il compito di 3D reconstruction. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
Photo-Geometric Autoencoder— Dove posso scaricarlo?
I pesi sono pubblicati, anche se non abbiamo un link al repository per essi. Questo sito calcola i requisiti hardware anziché ospitare file di modello.
Photo-Geometric Autoencoder— che GPU ho bisogno per eseguirlo?
Non possiamo dire. Ha pesi aperti, ma non è stato pubblicato alcun conteggio dei parametri per esso, e ogni calcolo di memoria e velocità parte da quel numero. Preferiremmo non mostrare nulla piuttosto che una stima fabbricata.
Photo-Geometric Autoencoder— è open-source?
I suoi pesi sono pubblicati, quindi può essere scaricato e eseguito sul proprio hardware. Si noti che OPEN WEIGHTS non è lo stesso di OPEN SOURCE nel senso completo — non dice nulla sui dati di addestramento, sul codice di addestramento o sui termini commerciali allegati.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.