- 综合排序
- 最热优先
- 最新优先
- 来自专栏章鱼的慢慢技术路
Direct3D 11 Tutorial 4: 3D Spaces_Direct3D 11 教程4：3D空间
资源目录 (SDK root)\Samples\C++\Direct3D11\Tutorials\Tutorial04 Github仓库 3D空间 在上一个教程中，三角形的顶点被有策略地放置，以在屏幕上完美地对齐 对象空间 请注意，多维数据集以原点为中心。 对象空间，也称为模型空间，是指艺术家在创建3D模型时使用的空间。 应用程序可以创建顶点缓冲区来表示此类模型，并使用模型数据初始化缓冲区。 因此，顶点缓冲区中的顶点通常也位于对象空间中。 这也意味着顶点着色器接收对象空间中的输入顶点数据。 CreateBuffer( &bd, &InitData, &g_pIndexBuffer ) ) ) return FALSE; 一旦我们创建了这个缓冲区，我们就需要设置它，以便Direct3D知道在生成三角形时引用这个索引缓冲区 常量缓冲区用于存储应用程序需要传递给着色器的数据。在渲染之前，应用程序通常会将重要数据写入常量缓冲区，然后在渲染过程中可以从着色器中读取数据。
1.8K30发布于 2018-10-11 - 来自专栏章鱼的慢慢技术路
Direct3D 11 Tutorial 5: 3D Transformation_Direct3D 11 教程5：3D转型
资源目录 (SDK root)\Samples\C++\Direct3D11\Tutorials\Tutorial05 Github 转型 在3D图形中，变换通常用于对顶点和矢量进行操作。 在3D中，用于翻译的矩阵具有形式。 在3D中，空间通常由原点和来自原点的三个唯一轴定义：X，Y和Z.计算机图形中通常使用多个空间：对象空间，世界空间，视图空间，投影空间和屏幕空间。 图2.在对象空间中定义的立方体 ? 创建轨道 在本教程中，我们将转换两个多维数据集。 第一个将旋转到位，而第二个将围绕第一个旋转，同时在其自己的轴上旋转。 请注意，世界矩阵对于每个多维数据集都是唯一的，因此会为每个传递给它的对象进行更改。
2.8K40发布于 2018-12-04 - 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。 2021 年末时，谷歌通过 Dream Fields 首次展示了 3D AI 生成系统，将 NeRF 生成 3D 视图的能力与 OpenAI 的 CLIP 评估图像内容的能力相结合。 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。 在对四个不同数据集（包括室内扫描数据集 ARKitScences）的实验中，研究人员表明 GAUDI 可以重建学习视图并匹配现有方法的质量。 虽然现在 GAUDI 生成的 3D 场景视频质量还不是很高，但这也说明了 AI 在图像和视频技术这生成的另一种可能。
1.1K20编辑于 2022-12-09 - 来自专栏图形学与OpenGL
实验11 B样条曲面生成
由于求值器只提供了对曲线或表面底层描述，需要使用更高层次的NURBS接口来生成B样条曲面。 NURBS接口生成B样条曲面的过程如下。 图A.11（a）生成B样条曲面 5．实验提高 根据控制点(-1.5, -1.5, 2.0)、(-0.5, -1.5, 2.0)、(0.5, -1.5, -1.0)、(1.5, -1.5, 2.0)、 B样条曲面，见图A.11(b)。 图A.11（b）重新生成B样条曲面
2.5K40发布于 2020-10-29 - 来自专栏机器学习炼丹之旅
CS231n：11 生成模型
生成模型 生成模型的定义就是给定一个训练数据，然后生成一些新的样本，保证和所给的训练集有一样的分布。 时间序列数据的生成模型可以用于仿真和规划（在强化学习中应用）。 训练生成模型还可以使隐式表征的推断成为有用的通用特征。 需要一提的是，可以将生成模型分成两大类，即隐式密度模型和显式密度模型，显式密度模型会显式地给出一个分布 使其和输入数据的分布相同。 ，该方法给出了一个很好的评估度量，可以通过计算的数据的似然来度量出生成样本有多好。 其中， 表示数据的分布， 表示噪声的分布， 表示带有参数 \theta_g 的生成网络，使用 可以生成一个样本 。
89910编辑于 2022-08-08 - 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。 可以看到原始数据会以中轴切面，矢状切面，冠状切面来进行显示，而立体就是最后输出结果示意图。 ? 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。 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。 ?
1.7K40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。 ? 使用top-p = 0.9的核采样和地面真实网格（蓝色）生成的图像条件样本（黄色）。 但是，在3D深度学习研究领域，为数据选择合适的表示是成功的一半。 在计算机视觉中，数据的结构非常简单：由密集像素组成的图像，这些像素整齐均匀地排列在精确的网格中。3D数据的世界没有这种一致性。3D模型可以表示为体素，点云，网格，多视图图像集等。 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。
2.2K10发布于 2020-11-09 - 来自专栏DrugOne
MolFlow: 高效3D分子生成方法
最近，3D药物设计的生成模型因其在蛋白质口袋中直接设计配体的潜力而获得了广泛关注。然而，目前的方法通常存在采样时间非常慢或生成分子的化学有效性差的问题。 最后，作者比较了MolFlow与当前方法在生成高质量样本方面的能力，进一步展示了其强大性能。 3D药物设计的生成模型最近因其在蛋白质口袋中直接设计配体的潜力而引起了极大关注。 其他模型尝试训练无条件的3D分子生成器作为起点，尤其是那些应用扩散模型到分子坐标上的模型已经变得特别流行。 现有的3D分子生成器，使用完全连接的消息传递，表现出非常差的扩展性，无法处理更大的分子和更大的模型尺寸。最先进的无条件生成器在采样单批分子时需要数分钟，使其不适合基于RL的微调。 由于现有的3D生成模型在推理时已经需要知道N，因此使用尺度OT时对采样没有额外的限制。
67910编辑于 2024-07-18 腾讯元宝3D生成应用来了
腾讯元宝首发的3D生成应用，利用一张图片即可生成3D角色的技术，是人工智能领域的一个重要创新。这种技术的应用会极大地影响娱乐、游戏开发、虚拟现实和在线购物等行业。 生成3D角色的过程涉及到先进的算法，如生成对抗网络，这些算法能够在训练过程中不断优化，提高生成的3D模型的质量和逼真度。 用户可以快速生成个人3D角色，便于进行360度全方位查看，并可选择分享、转发或者公开。提供保存3D角色模型文件做二次编辑，以及生成3D打印链接，实现从虚拟模型到完整实体的创意体验。 （一）《Protolabs 2024年3D打印趋势报告》显示，3D打印市场正经历显著扩张，将人工智能技术和3D生成结合，可实现更高效、更高质量的内容生成。 （二）此技术的推出会对3D打印和个性化内容创造领域产生积极影响。（三）基于腾讯混元大模型打造的“3D角色梦工厂”，在技术上已具备生成动漫、建筑、游戏道具等类型的3D资产的能力。
2.4K10编辑于 2024-07-17- 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。 方法 由于 3D 数据的稀缺性，学术界最近的绝大多数 3D AI 生成工作都通过利用 2D 扩散生成模型来指导 3D 表示（如 NeRF）的优化，从而实现 3D 内容生成。 由于这类方法通过从训练数据学习了有关多视角预测不一致性的先验知识，他们更有希望能从不一致的多视角预测中生成 3D 模型。 、输出的几何表示、结果的 3D 一致性、与输入的相似性，以及所需的 3D 数据规模上，具有多方面的优势。 由于 3D 数据的稀缺性，这样的训练数据规模目前对于很多研究者 / 机构来说还是比较严苛的条件。
4.6K30编辑于 2023-08-07 - 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）。 从3D模型生成的一系列合成数据集和一个现实生活的数据集，他们合成了来自不同对象类别的图像，并在整个训练过程中从不同的角度对其进行了渲染。
1.2K31发布于 2020-03-11 - 新添加一篇文章（这样才能触发 save 方法，此前添加的文章不会自动生成摘要来自专栏HelloGitHub
第 11 篇：自动生成文章摘要
在 创作后台开启，请开始你的表演[1] 中我们提到过 save 方法中执行的是保存模型实例数据到数据库的逻辑，因此通过覆写 save 方法，在保存数据库前做一些事情，比如填充某个缺失字段的值。 通过覆写模型的 save 方法，在数据被保存到数据库前，先从 body 字段摘取 N 个字符保存到 excerpt 字段中，从而实现自动摘要的目的。 # 由于摘要并不需要生成文章目录，所以去掉了目录拓展。 可以看到很多网站都采用这样一种生成摘要的方式。 span class="meta-nav">→
Windows 11 体验 Stable Diffusion AI 图像生成
Stable Diffusion 已经发展到可以生成以假乱真图像的程度，无论是 AI 作画还是照片生成都已经可以生成得很精细，本文记录使用过程。 ，也可以基于其他人共享的数据集进行训练，比自己找数据要方便很多，也有 auto train 功能，可以使用他们付费的服务进行训练。 本文记录在 Windows 11 下安装、配置、运行 Stable-diffusion 的流程 过程中经常需要访问境外的网站，需要访问国外网站。 webui-user.bat 文件，我在过程中遇到很多问题，没有问题的同志可以跳过这一节 安装 CUDA 11.7 下载链接：https://developer.nvidia.com/cuda-11 流程上也比较简单，就是基于 ChilloutMix 的训练结果和你自己准备的数据集来进行二次训练，目的是最终输出的内容既具有原始 ChilloutMix 的能力，又更倾向你提供的数据的特征。
一款很Nice的3D生成工具，包括文生3D、图生3D、3D生3D等众多功能！
前言 今天要给大家分享一个很Nice的 3D 生成工具集—MVEdit！ 项目介绍 MVEdit 是一个基于控制的多视角编辑的通用3D扩散适配器，使用现成的2D稳定扩散模型进行3D生成和编辑。 无需繁琐的训练，MVEdit 就能够快速生成高质量的3D物体，并提供全功能的UI界面，包含了诸如text to 3D、image to 3D、3D to 3D文字编辑和材质重构等功能。 生成：利用现成的 2D 稳定扩散模型，MVEdit 能够生成具有高质量纹理和结构的 3D 生成物。 • 顶尖性能：在文本引导的纹理生成和图像到 3D 生成等评估中表现出色。
玩转3D全息图像！AI即刻生成
计算机生成的全息(CGH)通过对衍射和干涉的数值模拟实现了高空间角度的3D投影。 长期以来，研究人员一直在研究制作全息图的技术，但是，现有的基于物理的方法无法生成具有按像素聚焦控制和精确遮挡的全息图。 研究人员通过引入具有4,000对RGB深度图像和相应的3D全息图的大规模CGH数据集(MIT-CGH-4K)进行训练。 ? 训练神经网络通常需要庞大的高质量数据集，而3D全息图以前没有这种数据集。 研究人员引入了大规模菲涅耳全息图数据集MIT-CGH-4K，该数据集由4,000对RGB深度（RGB-D）图像和相应的3D全息图组成。 研究人员创建的数据集具有三个重要功能，以使CNN能够学习逼真的3D全息图。
AI生成3D建筑，进入Vibe Modeling时刻
输出端给的是，一个几何+参数化逻辑底座的可编辑3D模型，可以导出到Rhino、Grasshopper、GLB等主流CAD/BIM流程。我也试了一下。 我拿北京央视「大裤衩」的一张草图，让Plamo生成对应的3D模型。最后生成成功了，但整体效果质量还有待提高。这是输入的草图与提示词：使用这张建筑草图作为中央电视台总部大楼三维质量模型研究的抽象参考。 生成了10分钟左右，结果是这样体量是没有对的，不过话说回来，我认为能生成已经非常不错了。 原因是web端（浏览器里做3D模型生成）有几个基础瓶颈要解决——浏览器内的几何内核、显存、长流程的状态管理——这些都是工程上很难绕过去的坎，Plamo能把流程跑通本身已经是突破。 除了Illoca，还有胡政涛的AtomicArch1人10个月，做了一款AI原生建筑3D设计软件，用14万行代码重写CAD底层、看到AIRILab最近在探索3D生成、哈佛系的Reer独家|哈佛系Reer
Python基础(11)——迭代器&生成器
可迭代对象 以直接作用于 for 循环的数据类型有以下几种： 一类是集合数据类型，如 list 、 tuple 、 dict 、 set 、 str 等； 一类是 generator ，包括生成器和带 生成器都是 Iterator 对象，但 list 、 dict 、 str 虽然是 Iterable ，却不是 Iterator 。 Iterator 可以使用 iter() 函数： 总结 凡是可作用于 for 循环的对象都是 Iterable 类型； 凡是可作用于 next() 函数的对象都是 Iterator 类型 集合数据类型如 生成器 for i in range(1, 10, 1): print(i) def customRange(star, stop, step): x = star while
3d数据集
, Manolis and Song, Shuran and Zeng, Andy and Zhang, Yinda}, journal={International Conference on 3D The dataset consists of several types of annotations: color and depth images, camera poses, textured 3D
生成专属于你的人工智能书【3D生成器】
="#7BC8A4"></a-plane> <a-sky color="#ECECEC"></a-sky> </a-scene> </body> </html> 中场休息下♨️ 2 书籍封面生成 此部分采用的是 canvas 的原生开发，通过 canvas 生成图案，后导出 base64 作为模型的贴图。 需要先定义几个函数： 书名生成 getTitle 书籍难度生成 getLevel 配色生成 getColors 此处采用的逻辑都是随机从库里数据（随机是最好的方法），例如配色的生成代码： function ： 1 根据封面的尺寸，等分，生成网格； 2 随机生成几个六边形或五边形； 3 计算生成的六边形及五边形按照正态分布随机摆放的位置及大小。 5 生成背景图 比较重要的算法就是按照正态分布产生随机数的算法，代码： function mathNormal(x, mu, sigma) { mu = mu || 0; sigma = sigma
arXiv｜使用深度生成模型在3D空间上生成类药分子
因此，将分子的三维条件纳入深度生成模型是非常有必要的，但目前在这个方向上的探索相当有限，仍然存在许多问题需要解决。 引入3D信息的一种方法是将现有的基于SMILES的生成模型建立在3D数据上。 然而，这些模型输出的分子不包含3D信息，通常需要一个额外的优化步骤来将分子嵌入到3D空间。一种更理想的方法是直接生成三维坐标。 为了使该网络能够生成类药分子，作者构建了ChEMBL数据集的类药分子子集，并创建了一个“专家轨迹”，用于生成数据集中的每个分子，然后通过模仿这些轨迹来训练L-Net。 还可以注意到，在生成的分子和真实分子的QED分布之间出现了很大的差异（图8f）。这是在数据选择过程中，硬截止值为0.5的结果。 图7. 利用不同的超参数生成的分子的二维分子性质分布。 模型生成的分子为蓝色，测试集分子为灰色。 本文仅列出部分实验结果，详见原文。 四、总结 在这项工作中，作者引入了L-Net，一个新的深度生成3D类药分子的模型。
