STORM-B/8
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- University of Southern California,Georgia Institute of Technology,Stanford University,NVIDIA
- Organisatietype
- Academia,Academia,Academia,Industry
- Land
- United States of America
- Gepubliceerd
- 31 December 2024
- Auteurs
- 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
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- 3D modeling
- Taak
- 3D reconstruction, 3D segmentation
- Numerieke indeling
- TF32
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- parameters
- 100.6M
- Training gegevens
- tokens
- Batchgrootte
- 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
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA A100
- Gebruikte chips
- 16
- Stroomverbruik
- 12.6 kW
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Confident
- Citaties
- 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…
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- STORM: Spatio-Temporal Reconstruction Model for Large-Scale Outdoor Scenes
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Waar het vandaan kwam
STORM-B/8 werd gepubliceerd door University of Southern California,Georgia Institute of Technology,Stanford University,NVIDIA, in het land geregistreerd als United States of America, tijdens December 2024. De categorie waaronder de uitgever valt is academia,Academia,Academia,Industry.
Het werkt in het domein van 3D modeling, en wordt geregistreerd als het uitvoeren van de taak van 3D reconstruction, 3D segmentation.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Training en herkomst
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: sOTA improvement.
Antwoorden
STORM-B/8 — veelgestelde vragen
STORM-B/8— is het open-source?
De licenties werden nooit vastgelegd in onze brondocumenten. We beschouwen niet-verklaarde licenties als gesloten, omdat een niet-vastgelegde licentie er geen is om op te vertrouwen.
STORM-B/8— hoeveel parameters heeft het?
Het heeft een parameter telling van 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). Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
STORM-B/8— wie heeft het gemaakt?
Het werd gepubliceerd door University of Southern California,Georgia Institute of Technology,Stanford University,NVIDIA, gebaseerd op United States of America, een organisatie geclassificeerd als academia,Academia,Academia,Industry.
STORM-B/8— wanneer is het uitgebracht?
Het werd gepubliceerd in December 2024. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
STORM-B/8— waarvoor wordt het gebruikt?
Het werkt in het domein van 3D modeling, en wordt geregistreerd als het afhandelen van 3D reconstruction, 3D segmentation. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
STORM-B/8— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.