- 综合排序
- 最热优先
- 最新优先
- 来自专栏媒矿工厂
2D 扩散模型 + Nerf，实现文本生成 3D 模型
扩散模型和Nerf（神经辐射场）结合，提出DreamFusion，实现了从文字生成3D模型。 在这项工作中，作者通过使用预训练的 2D 文本-图像的扩散模型，实现文本到 3D 合成。他们引入了基于概率密度蒸馏的损失函数，这也允许了2D扩散模型作为先验，用以优化参数图像生成器。 在类似 DeepDream 的过程中使用这种损失函数，作者通过梯度下降优化随机初始化的 3D 模型（NeRF），使其从随机角度的 2D 渲染均能让损失函数值较低。 在该方法中，给定文本生成的 3D 模型可以从任意角度观察，通过任意照明重新点亮，或合成到任何 3D 环境中。 然而，在该任务中，作者们并不希望对像素进行采样；他们只希望学习出一个3D模型，使得该模型在任意视角下看上去像一张好的图片。
3.2K20编辑于 2022-11-07 - 来自专栏机器之心
3D AI生成出新玩法了：无需数小时，只要45秒，单张图片即可生成 3D模型
机器之心专栏 机器之心编辑部 45 秒单张图片变 3D，无需大量 3D 数据和逐物体优化。 3D AI 生成最近发展得如火如荼，不少最新工作都能够从一句话 / 一张图生成高质量的三维模型。 单张图片生成 3D 通过与现有的文生图模型（如 DALL-E2）结合，One-2-3-45 也支持从任意文本生成 3D 模型。 通过借助这类 2D 扩散生成模型，我们能够从一张图片预测生成对应的多视角图像。 一个很自然的想法，便是将这些多视角图像传给经典的基于 NeRF 的重建方法来生成 3D 模型。 通过结合 2D 扩散生成模型和基于 cost volume 的可泛化 NeRF，One-2-3-45 能够在一次前向传播中生成 3D 模型。 而 One-2-3-45 既支持文字生成 3D 也支持图片生成 3D。下图展示了 One-2-3-45 与现有的主要图生 3D 的方法的对比。
4.5K30编辑于 2023-08-07 - 来自专栏CreateAMind
生成模型压缩图片
在这篇论文中，我们描述了生成式压缩的概念，也就是数据的压缩使用生成式模型。我们也表明这是一个值得追随的方向，可在图像和视频数据上取得更准确的、视觉上更享受的高压缩重建。 我们也证明，相比于传统的变长度编码方案，生成式压缩在比特误码率上有更大的复原力（例如，从有噪声的无线通信频道）。
66320发布于 2018-07-24 - 来自专栏前端javascript
大模型+图片生成+小程序
⭐ 背景 大家好，我是yma16，这篇文章给大家分享大模型+图片生成的功能，完全免费。由于前两天我参加了掘金coze的一个线下活动，获得了一个内部调用api的机会，于是我就接入了小程序。 实现的效果 小程序地址，点击图片跳转 提示词：宫崎骏风格的天空 提示词：画一只老虎 提示词：一个写代码的女孩 实现的逻辑 在coze编排一个作画的工作流 工作流配置 发布勾选api node_koa ": query, } const baseUrl = "https://api.coze.cn" const path = '/open_api/v2/
1.3K11编辑于 2024-04-10 - 来自专栏老齐教室
根据 2D 图片构建 3D
任务 一张图片，就是 3D 物体的 2D 平面投影，所以，从高维空间向低维空间转换过程中，必然会丢失一些数据。因此，从单一视图的 2D 图像中，永远不会有足够的数据来构建其 3D 模型。 所以，要实现从 2D 图像到 3D 模型的创建，必须对原来的 3D 物体本身有先验知识。 在 2D 深度学习中，卷积自动编码器是学习输入图像的压缩表”的非常有效的方法。 2D 结构生成器 建立一个标准的 2D CNN 结构生成器，用于学习对象的先验形状知识。“立体像素方法”是不可取的，因为它效率低下，而且不可能用 CNN 直接学习点云。 将上述三部分结合在一起，我们获得了一个端到端的模型，此模型可以用 2D 卷积结构生成器，将单个 2D 图像生成紧凑的点云。 微分意味着可以计算反向传播的梯度，从而可以使用 2D 投影的损失来学习生成 3D 点云。
1.9K21发布于 2021-10-11 - 来自专栏算法一只狗
首个「空间智能」模型发布，仅需要一张图片即可生成 3D 场景
给定一张图，就可以生成一个3D的场景，这个看起来很惊艳的场景，最近被李飞飞团队实现了~用李飞飞的话说，「无论怎样理论化这个想法，都很难用语言描述一张照片或一句话生成3D场景的互动体验。」 它给定的是一个村庄图片，然后就可以生成一个可以随意探索的3D场景。 也可以模拟不同的景深，生成不一样的3d场景：另一个特点在于能够随意改变相机的位置和视野：目前它这个模型的主要特点有三个：相机效果：模型能够模拟景深，实现浅景深和多轴变焦效果，为用户提供类似专业相机的拍摄体验 3D效果：生成的3D场景具有持久现实性，实时控制性，以及正确的几何形状，为用户带来沉浸式的探索体验。走进绘画世界：模型能够从经典艺术作品中生成3D世界，补全原画中没有的内容，为用户提供全新的艺术体验。 还可以模拟滑动变焦，同时调整摄像机的位置和视野：3D 效果大多数生成模型专注于像素预测，但生成 3D 场景具有许多显著优势：持久现实：生成的世界具有持续性，即便视线移开再回到场景，画面依然保持不变，增强了沉浸感和真实感
90920编辑于 2025-01-07 OneKey Gateway x agtm 给你的Agent 装上30+Nano Banana图片生成、3D模型生成的能力
的prompt-to-3DLego/minecraft拼装模型等等，让你的个人agent能力提升拉满。 的API有搜索，地图，金融，图片生成，3D生成详细列表。 GeminiNanobanana这里gemini-nano-banana/gemini-nano-banana是<unique_id>,generate_image_nano_banana是希望执行的函数后面是图片生成的入参 exportDEEPNLP_ONEKEY_ROUTER_ACCESS=your_access_key然后onekeygateway返回Gemini的结果里面获得生图的URL了比如目前支持的Agent的API有搜索，地图，金融，图片生成 ，3D生成详细列表参考：https://deepnlp.org/doc/onekey_gateway2.2使用Google-Maps搜索地址npxonekeyagentgoogle-maps/google-mapsmaps_search_places
27410编辑于 2026-03-22- 来自专栏前端开发随笔
html2cavas实现生成图片
/sucai.suoluomei.cn/sucai_zs/images/20191204145036-pic.png" alt="">
保存为文字+图片 ></body> <script src="https://cdn.bootcss.com/html<em>2</em>canvas /0.5.0-beta4/html<em>2</em>canvas.min.js"></script> <script defer> var main = document.querySelector('.box canvas"); canvas.width = width * scale; canvas.height = height * scale; canvas.getContext("2d ").scale(scale, scale); var opation = { canvas: canvas, useCORS: true, } html2canvas(main, opation
90630发布于 2020-09-03 - 来自专栏最新医学影像技术
3D人体模型生成案例分享
Invesalius是专门应用于医学图像3D重建，输入数据必须是一个序列的2D的DICOM图像，可以是CT或者是MRI序列，输出的是3D表面轮廓，该工具就是为生成解剖学的物理模型而做准备的。 2、选取感兴趣区域 接下来就是要提取图像中感兴趣的区域了，比如要提取人体肋骨。该工具提供了一些方法来提取一些组织，如图所示。 ? 所以选择骨骼选项，可以看到如下效果图。 3、配置3D表面 3D表面配置可以设置透明度，直接默认值即可，然后下一步。 4、输出结果 直接输出立体图像和相应的3D表面轮廓结果。 ?
1.6K40发布于 2020-06-29 - 来自专栏DeepHub IMBA
使用PolyGen和PyTorch生成3D模型
3D技术中一个特别热门的子领域是3D模型的生成。创造性地组合3D模型，从图像快速生成3D模型，以及为其他机器学习应用程序和模拟创建综合数据，这只是3D模型生成的众多用例中的少数几个。 ? 3D重建问题和3D-R2N2方法 当今非常经典的PointNet论文为建模点云数据（例如3D模型的尖端）提供了蓝图。 它是一种通用算法，不会对3D模型的面或占用进行建模，因此无法仅使用PointNet来生成3D-R2N2采用的体素方法将我们都熟悉的2D卷积扩展到3D，并通过自然地从RGB图像生成水密网格。 但是，体素表示在更高的空间分辨率下在计算上变得昂贵，从而有效地限制了它可以生成的网格的大小。 通过变形模板网格（通常是椭圆形），Pixel2Mesh可以从间隙图像预测3D模型的尖端和面。 PolyGen的总体目标是双重的：首先为3D模型生成一组可能的顶点（可能由图像，体素或类标签来限制），然后生成一系列的面，一个接一个地连接 顶点在一起，为该模型提供了一个合理的表面。
2.1K10发布于 2020-11-09 - 来自专栏AI科技大本营的专栏
苹果发布 AI 生成模型 GAUDI，文字生成 3D 场景
近日，苹果 AI 团队发布最新 AI 模型 GAUDI，它是基于 3D 场景的神经架构 NeRFs，可以根据文字生成 3D 室内场景。 目前为止，NeRFs 主要用做 3D 模型和 3D 场景的一种神经存储介质，然后可以从不同的相机视角进行渲染。 此前，OpenAI 的 DALL-E 2 或 Google 的 Imagen 和 Parti 等 AI 系统展示了 AI 将文本生成图像的潜力，但内容也仅限于 2D 图像和图形。 Apple GAUDI 是 3D 内饰专家 虽然谷歌致力于使用 Dream Fields 生成单个对象，但将生成 AI 扩展到完全不受约束的 3D 场景仍是一个尚未解决的问题。 对于这个问题，GAUDI 模型的解决方案是：相机姿态解码器对可能的相机位置进行预测，并确保输出是 3D 场景架构的有效位置。
1.1K20编辑于 2022-12-09 - 来自专栏新智元
3D卷积GAN飞起！微软“可缩放”新框架只需2D数据即可生成逼真3D模型
新智元报道 来源：VB 编辑：元子 【新智元导读】Microsoft Research近日发表论文介绍了一种通过2D数据生成3D模型的新框架，其使用3D卷积GAN，利用2D图像提供的物体表面之间的曝光差异成功检测出凹形物体的内部结构 研究人员称，该框架是首个针对2D数据的3D模型的“可缩放”训练技术。 与以前的工作相反，研究人员试图利用功能齐全的工业渲染器，例如显示数据生成图像的软件。为此，他们训练了3D形状的生成模型，以便生成与2D数据集的分布相匹配的图像。 生成器模型采用随机输入向量（代表数据集特征的值）并生成3D对象的连续体素表示（3D空间中网格上的值）。 一种新颖的代理神经渲染器（proxy neural renderer）直接渲染由3D生成模型生成的连续体素网格。
1.1K31发布于 2020-03-11 - 来自专栏为了不折腾而去折腾的那些事
开源软件 FFmpeg 生成模型使用图片数据集
分享下如何使用它将各种视频或电影文件，转换成上万张图片数据集、壁纸集合，来让下一篇文章中的模型程序“有米下锅”，这个方法特别适合宫崎骏、新海诚这类“壁纸合集”类电影。 如果采用之前文章中提到的生成式模型来制作数据集，比如“Stable Diffusion”或者“Midjourney”，效率恐怕就更不能保障啦，因为即使我使用出图速度比较快的 4090，等我生成够我想要的图片数量 所以，提升转换性能的第一个方案就是，减少不必要的图片数据集的生成。 但是，如果我们随便选择一张图片来看，会发现图片的尺寸依旧是惊人的。 这个尺寸，对于我们后续的处理程序以及模型程序，在解析图片的时候，会有很多不必要的压力。 但是，如果你也和我一样，计划用视频素材来验证一些模型程序，或者实现类似图片搜索引擎的能力验证，还可以选择继续对数据集进行优化。
1K20编辑于 2023-11-14 - 来自专栏为了不折腾而去折腾的那些事
开源软件 FFmpeg 生成模型使用图片数据集
分享下如何使用它将各种视频或电影文件，转换成上万张图片数据集、壁纸集合，来让下一篇文章中的模型程序“有米下锅”，这个方法特别适合宫崎骏、新海诚这类“壁纸合集”类电影。 如果采用之前文章中提到的生成式模型来制作数据集，比如“Stable Diffusion[5]”或者“Midjourney[6]”，效率恐怕就更不能保障啦，因为即使我使用出图速度比较快的 4090，等我生成够我想要的图片数量 所以，提升转换性能的第一个方案就是，减少不必要的图片数据集的生成。 但是，如果我们随便选择一张图片来看，会发现图片的尺寸依旧是惊人的。 挺大个的一张图，或者应该说每一张图 这个尺寸，对于我们后续的处理程序以及模型程序，在解析图片的时候，会有很多不必要的压力。 但是，如果你也和我一样，计划用视频素材来验证一些模型程序，或者实现类似图片搜索引擎的能力验证，还可以选择继续对数据集进行优化。
79610编辑于 2023-11-14 - 来自专栏星哥的AI自留地
图片2D秒变3D，腾讯开源大模型+HAI一键转为3D实物图
图片2D秒变3D，腾讯开源大模型+HAI一键转为3D实物图前言在数字内容创作领域，将 2D 图像快速转化为 3D 实物图一直是创作者们梦寐以求的能力。 HAI平台来教大家如何实现2D图片转3D图。 部署腾讯混元3D生成大模型1.点击新建2.如图购买Hunyuan3D大模型在选择应用 tab 栏目中点击 图片/视频生成在社区应用中选择 混元Hunyuan3D-2.1在点击立即购买后会提示勾选协议，勾选后再次点击立即购买即可 3D大模型的 Gradio WebUI，点击算力连接，选中Gradio WebUI5.进入Garadio WebUI页面此时我们就进入Hunyuan-3D 的WebUI管理页面生成3D图片1.使用豆包生成 2D图片提示词：我想使用小米yu7汽车的平面2d图片，生成3d图片，请你帮我生成一个小米yu7汽车的2d的图片选择一张合适的图片2.点击Gen Shape点击Gen Shape 生成生成形状在新窗口中，
1.6K10编辑于 2025-09-17 - 来自专栏新智元
3张图片生成一个手办3D模型！南加州大学华人博士提出新模型NeROIC，更真实！
---- 新智元报道 编辑：LRS 【新智元导读】通过几张二维照片还原为3D模型一直是一个图形学的一个难题，并且照片的不同光线、相机型号都会影响到最终的生成效果，也限制了模型的实际应用场景 例如给定几张不同角度拍摄的二维图像，神经渲染模型能够生成一个三维模型，而无需任何人工的介入。 在现实场景中，可能你会有一堆手办的照片，如果按照传统的方式都建成3D模型，那需要耗费的工作量，想想都头秃。 除了拍手办以外，游戏从业者还可以利用神经渲染技术，简单地拍摄一些物体的照片，合成3D模型，然后就可以制作出一个完美的游戏场景。 研究人员从NeRF模型出发来改进。NeRF神经网络的训练输入为一张图片，用来推测每个像素的颜色、不透明度和辐射度，并猜测物体中没有出现在二维图像中的小部分的缺失像素。
1K11编辑于 2022-03-04 - 来自专栏北京马哥教育
2行Python代码生成图片验证码
graphic-verification-code 生成图片验证码 安装 使用 编测 Python2.7下测试可用，Python3.5导入时报错，是一个import错误，自己稍加修改就可以了
1.3K80发布于 2018-05-03 - 来自专栏相约机器人
gDNA：一种 3D 穿衣人体生成模型
连续且与分辨率无关的神经 3D 表示推动了 3D 刚体生成建模的最新进展。由于衣服的复杂相互作用、它们的拓扑结构和姿势驱动的变形，为穿着衣服的人建模是一项具有挑战性的任务。 通过学习个人的生成模型，马克斯普朗克智能系统研究所的研究人员希望使 3D 人类化身广泛可用。 这是通过包含一个潜在空间来实现的，用于有条件地生成穿着衣服的人体形状和蒙皮重量。 该团队演示了第一种方法，该方法可以在姿势控制下生成各种 3D 衣服人体形状，并在姿势控制下仅使用姿势扫描。 学习到的蒙皮权重可用于重新定位生成的样本。研究人员对 gDNA 进行了广泛测试，发现它的性能明显优于基线。gDNA 可用于拟合和重新激活 3D 图像，优于当前最先进的 (SOTA) 模型。 结论 马克斯普朗克智能系统研究所的研究人员开发了 gDNA，这是一种 3D 穿衣人体生成模型，可以生成具有精确皱纹和明确姿势控制的各种穿衣人。
1.3K20编辑于 2022-06-07 - 来自专栏我爱计算机视觉
3D生成模型同台竞技，魁首究竟花落谁家！
近两年，得益于Diffusion模型在2D领域取得的巨大成功以及Objaverse系列大规模3D数据集的开源，3D物体生成领域已经进入迅速发展阶段，3D生成模型数量激增。 同时，为了给社区提供一些直觉上的启发，我们推出3DGen-Arena，一个公开、匿名的评测平台，集成了目前流行的19个开源3D生成模型（包括9个文生3D模型和13个图生3D模型，详情参看下图）。 因此，我们划分为了以下5个独立的维度，进行多维度、全方位的评估，并沿用两两比较的方式，为所有参与的模型确定排名顺序。 几何合理性：一个优秀的3D生成模型需要具备广泛且合理的3D几何先验知识。 另外，为了观察3D生成模型对prompt复杂程度的敏感程度，除了单个物体生成外，我们进一步设计了不同物体间的多种排列组合方式，交互方式，以及一些“微场景”。 3D生成领域是3D视觉领域的重要分支，无论是在学界还是业界，都有着广泛的应用前景和发展潜力。面对生成模型的不断推陈出新，一个全面、有效、鲁棒的评价体系是迫切需要的。
35910编辑于 2024-05-22 - 来自专栏机器之心
首个3D生成解构模型PartCrafter问世，GitHub狂揽2k星标
这款创新的模型开创了结构化生成的新理念，能够直接从单张 2D 图像生成由多个、具有语义意义且可独立操作的部件构成的复杂 3D 网格模型。 生成模型，无需分割步骤，可以秒级生成带多个部件的 3D Mesh 表示。 它不仅耗时（通常需要 20 分钟以上），而且极易出现错误累积 —— 初始 2D 分割阶段的任何失误都将永久性地破坏后续的所有重建结果和最终的 3D 模型。 这种嵌入向量像一个独特的「身份证」，强化了模型对每个部件语义属性和独立身份的感知能力。 2. 2. 定性结果 从定性结果来看，PartCrafter 能够生成几何结构清晰、细节丰富的 3D 物体与场景。更重要的是，其组合式潜在空间的设计赋予了用户前所未有的控制能力。
63110编辑于 2025-12-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号