- 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。 值得注意的是，该方法不需要 3D 训练数据，也不需要对图像扩散模型进行修改，证明了预训练图像扩散模型作为先验的有效性。
3.1K20编辑于 2022-11-07 - 来自专栏python3
JS 3D 模型
这是一个简单的 JS 3D 模型，能跑在包括 IE6 的所有浏览器上，结合一下 tween 缓动算法，理论上已经可以完美模拟像 http://www.cu3ox.com/ 这个网站上方 banner 的各种变换效果了 介绍一下实现细节，矢量绘图仍然用的是 Raphael 库，Raphael 我在《如何用 JS 实现 3D ×××效果》这篇文章里有过介绍。 关于画家算法 渲染器工作时，会从他的角度上能看到的所有物体都描绘出来，即用 2D 的手法去描述 3D 的物体。
3.6K20发布于 2020-01-07 - 来自专栏python3
cocos2d-x在Lua中添加3d模型
--3d模型和3D动画的创建 require"Cocos2d" local Sprite3DScene=class("Sprite3DScene",function() return cc.Scene (cc.RepeatForever:create(a1)) --添加动态模型 local spt=cc.Sprite3D:create("tortoise.c3b") spt:setScale(0.1) spt:setPosition3D(cc.Vertex3F(self.winsize.width/2,self.winsize.height/2-80,0)) layer:addChild(spt) 0.4) spt:runAction(cc.RepeatForever:create(animate)) return layer end return Sprite3DScene 代码中调用的这些模型是从 cocos2d-x-3.2中3D案例里面复制过来的。
1.2K20发布于 2020-01-09 - 来自专栏类器官/器官芯片/3D培养
人源3D肺模型与ALI气液界面培养技术解析：Epithelix MucilAir、SmallAir与AlveolAir在呼吸系统研究中的应用
在这一背景下，人源原代肺细胞、ALI气液界面培养模型和3D肺组织模型逐渐成为呼吸系统疾病机制研究、吸入制剂评价、肺部安全性研究以及药物筛选中的重要工具。 3D肺模型？ 在部分实验体系中，肺泡巨噬细胞还可以与肺泡上皮细胞共同构建2D或3D共培养体系，从而模拟上皮细胞与免疫细胞之间的相互作用，为肺泡微环境研究提供更完整的实验条件。 六、总结Epithelix长期专注于人呼吸系统体外模型开发，其原代肺细胞、ALI气液界面模型和3D肺组织体系，正在成为呼吸疾病研究与吸入药物开发中的重要工具。 随着NAMs、MPS和OOC技术的发展，人源3D肺模型预计将在呼吸系统体外评价体系中发挥越来越重要的作用。
10110编辑于 2026-05-12 - 来自专栏最新医学影像技术
医学图像处理案例（四）——生成人体骨骼和肺组织三维模型
在前面的文章中，我分享过关于生成3D人体模型的案例。 今天我就分享一下如何生成人体骨骼和肺组织的三维模型。 不管是生成人体骨骼还是肺组织的三维模型，步骤都是一样的。 1、导入dicom图像 从导入的影像上看到有我们想要的人体组织区域，但是还存在一些背景区域，如果不把这些背景去除，生成的三维模型会存在多余的信息。 ? ? 2、提取人体骨骼区域 ? ? 3、设置不同参数生成人体皮肤和人体骨骼三维模型结构 设置不同的面片提取阈值，可以得到不同的三维模型结构。 ? ? 4、提取人体肺组织区域 ? 5、设置不同参数生成肺组织和肺气管三维模型结构 ? ?
1.9K40发布于 2020-06-29 - 来自专栏类器官/器官芯片/3D培养
ADC肺毒性如何评估：基于人源肺泡体外模型的机制分析
该体系主要包括：人源肺泡模型（气液界面培养）肿瘤球状体模型模拟循环环境的微体系该设计实现了：肺组织与肿瘤组织在体外环境中的相互作用从而用于同步评估药物疗效与器官毒性。 三、实验体系结构图1：ADC作用机制示意图2：肺泡模型与肿瘤共培养体系图3：实验设计与检测指标实验中主要检测以下指标：细胞活性（整体毒性）炎症反应（IL-8释放）屏障功能（TEER）DNA损伤（γ-H2AX ）四、实验结果分析1整体细胞毒性表现实验结果显示：不同ADC在肺组织中的毒性表现存在差异部分药物呈现明显剂量依赖性毒性说明：不同载荷机制会直接影响肺组织安全性2炎症反应变化观察到：IL-8水平上升在无肿瘤条件下仍可检测到炎症信号说明 2直接毒性作用部分ADC可直接作用于肺细胞，引发炎症反应与结构损伤。3疗效与毒性的耦合关系不同ADC在：杀伤方式组织分布毒性表现之间存在差异，这会影响整体风险评估结果。 ，用于分析ADC药物肺毒性评估方法与模型应用。
10510编辑于 2026-03-25 - 来自专栏AI科技大本营的专栏
一根烟上热搜，先让AI看看你的肺
然而通过医生来诊断肺结节当前存在两方面的困难：1）CT图像是分辨率高的三维断层扫描成像，数据量非常大，每位检查者都会生成上百张图像序列，导致了医生诊断速度慢；2）肺部结节大部分尺寸很小肉眼不易发现，而不同医生的经验存在差异 在精检测过程中，一般用深度卷积神经网络对预检测得到的候选结节区域进行分类以区分肺结节的真假性，比如使用ResNet和基于Inception的一系列分类网络，在这一步中我们希望能够通过深度学习模型更精确地识别肺结节 所以为了构建连续图像序列之间的上下文信息，模拟医生的诊断方式，常常会将基于2D图像理解的网络扩展为基于3D图像理解的网络。 即先利用3D U-net来实现连续图像序列的分割，或者利用3D Fast R-CNN来实现连续图像序列的检测，再利用3D CNN来完成最终的结节分类。 我们可视化了部分肺结节检测的结果，可以看出对于一些很小的结节，我们的模型依然可以检测得很好。
69150发布于 2019-06-03 - 来自专栏AI科技大本营的专栏
美国科学家3D打印出会“呼吸”的肺 | Science
5 月 4 日，《科学》杂志封面报道，美国莱斯大学与华盛顿大学的研究团队带来一项具有里程碑意义的发明：一个由水凝胶 3D 打印而成的肺模型，它具有与人体血管、气管结构相同的网络结构，能够像肺部一样朝周围的血管输送氧气 要想 3D 打印出有效的肺模型，研究人员首先需要了解人类器官的结构是怎样的，以及这种结构上的不同功能是如何形成的。 由于肺部同时拥有气道和血管，它认为需要解决三个难题：1、如何使打印的器官模拟肺功能的气囊，自由交换氧气。2、如何使打印出的血管可以为组织输送氧气成分。 图2 纠缠的血管网络 ? 想象一下，你自己的肺和心脏，以及其他一切处于运转当中的器官组织，研究人员认为，探索 3D 打印器官，比如瓣膜、模仿肺部功能的组织对生物医学领域来说极其重要。
1.3K20发布于 2019-05-14 - 来自专栏机器之心
学界 | 点内科技、华东医院及上海交大合著论文：3D深度学习在CT影像预测早期肿瘤浸润方面超过影像专家
点内科技、复旦大学附属华东医院「张国桢肺微小结节诊治中心」和上海交通大学「SJTU-UCLA 机器感知与推理联合研究中心」组成的联合研究团队共同合作的科研成果「3D Deep Learning from Pulmonary Adenocarcinomas」于 2018 年 10 月 2 日在线发表，文章利用深度学习的方法对像素级标注的亚厘米肺腺癌 CT 数据和其病理结果标注进行训练，并通过多任务的卷积神经网络对亚厘米肺腺癌的浸润风险程度进行自动术前预测 该模型基于 3D DenseNets，配合多任务学习，是参数高效（parameter-efficient）的 3D 卷积神经网络。 训练完成后，模型只需要常规的 CT 数据，不需要肺结节分割、大小以及任何预先定义的信息。我们的多任务学习模型显著优于单任务模型，并且 3D 模型也显著优于其 2D 变种。 需要说明的是，本文纳入的亚厘米肺结节大部分为肺磨玻璃结节，这种类型的结节，特别是亚厘米磨玻璃结节，在 CT 图像上由于传统的恶性征象较少出现，浸润前病变和浸润性病变影像表现重叠较高等特征，诊断十分困难，
83420发布于 2018-10-22 - 来自专栏AI研习社
腾讯优图开源业界首个3D医疗影像大数据预训练模型MedicalNet
近日，腾讯优图首个医疗 AI 深度学习预训练模型 MedicalNet （https://github.com/Tencent/MedicalNet）正式对外开源，这也是全球第一个提供多种 3D 医疗影像专用预训练模型的项目 为了产生 3D 医疗影像的预训练模型，MedicalNet 聚集多个来自不同 3D 医疗领域的语义分割小规模数据集，并提出了基于多分支解码器的多域联合训练模型来解决数据集中的标注缺失问题。 腾讯团队将 MedicalNet 模型迁移到预训练时未接触过的 Visceral 和 LIDC 数据集中，完成全新的肺部分割和肺结节分类任务，并与目前常用的从零训练（train from scratch ）以及 Kinetics 视频 3D 预训练模型在性能以及收敛速度上做了比较。 在收敛速度上，实验证明，无论是在肺分割任务还是肺结节分类任务上，MedicalNet 均能为模型提供一个较低的初始化损失值，明显加快损失下降速度，下图为 MedicalNet 性能的一个简单示例，展示了在全器官分割应用中
1.4K10发布于 2019-08-15 - 来自专栏全栈程序员必看
three.js创建简单的3D机房（1） 创建机柜模型-2
material = this.cabinetbgMaterial.doorBan[1]; }else{ material = this.cabinetbgMaterial.doorBan[2] ; } materialsbgDoor[i] = material } // rearGeometryDoor.translate(this.cabinetObj.w/2,0,0) let door = this.position.z – this.cabinetObj.w/2 – this.cabinetObj.z/2: this.position.z + this.cabinetObj.w/2 + this.cabinetObj.z/2 let doorOption = {x:riserR.position.x-basicParameters.thickness/2,y:this.position.y doorOption.y,doorOption.z – this.options.cabinetObj.w/2+basicParameters.thickness/2) } cabGroup.add(door
2.2K20编辑于 2022-11-17 - 来自专栏HT
基于HTML5 Canvas 点击添加 2D 3D 机柜模型
首先，我们得创建场景将作为基础，整个场景我算是分为三个部分，顶部工具栏，2D 部分以及 3D 部分。 的眼睛位置 g3d.setCenter(200, 47, 10);//设置3d的中心位置， 这两个属性都是为了让用户看3d上的场景更舒服，更直接 g2d = new ht.graph.GraphView (dataModel); g2d.setEditable(true);//设置2d图元可编辑 g2d.fitContent(true);//将所有的图元显示到页面上 splitView = new ht.widget.SplitView (g2d, g3d, 'v', 0.3);//分割组件，装了2d和3d两个场景 splitView.addToDOM();//将分割组件添加进body中，并设置绝对定位的位置 myDiv = document.getElementById 2D 的图片显示肯定和 3D 的模型显示是不一样的，2D 中我们直接用贴图就能解决，而 HT 3D 中支持 obj 格式的模型显示，就是这个部分： ?
1.6K80发布于 2018-01-03 - 来自专栏量子位
腾讯开源首个医疗AI项目，业内首个3D医疗影像大数据预训练模型
腾讯优图说，MedicalNet能够加快模型收敛，减轻模型对数据量的依赖，帮助3D医疗影像AI应用“打地基”。 目前，MedicalNet具备5大特性： 1、预训练网络可迁移到任何3D医疗影像的AI应用中，包括但不限于分割、检测、分类等任务； 2、尤其适用小数据医疗影像AI场景，能加快网络收敛，提升网络性能； 3 这一预训练的适用性也很强，可以迁移到任何3D医疗影像应用的深度学习模型中。整个系统的工作流程如下图所示： ? 并用它来完成全新的肺部分割和肺结节分类任务，并与目前常用的从零训练（train from scratch）以及Kinetics视频3D预训练模型在性能以及收敛速度上做了比较。 在收敛速度上，无论是在肺分割任务还是肺结节分类任务上，MedicalNet都能为模型提供一个较低的初始化损失值，明显加快损失下降速度。
80340发布于 2019-08-12 - 来自专栏相约机器人
腾讯开源首个医疗AI项目，业内首个3D医疗影像大数据预训练模型
腾讯优图说，MedicalNet能够加快模型收敛，减轻模型对数据量的依赖，帮助3D医疗影像AI应用“打地基”。 目前，MedicalNet具备5大特性： 1、预训练网络可迁移到任何3D医疗影像的AI应用中，包括但不限于分割、检测、分类等任务； 2、尤其适用小数据医疗影像AI场景，能加快网络收敛，提升网络性能； 3 这一预训练的适用性也很强，可以迁移到任何3D医疗影像应用的深度学习模型中。整个系统的工作流程如下图所示： ? 并用它来完成全新的肺部分割和肺结节分类任务，并与目前常用的从零训练（train from scratch）以及Kinetics视频3D预训练模型在性能以及收敛速度上做了比较。 在收敛速度上，无论是在肺分割任务还是肺结节分类任务上，MedicalNet都能为模型提供一个较低的初始化损失值，明显加快损失下降速度。
1.7K30发布于 2019-08-09 - 来自专栏作图丫
cfDNA 构建I 期肺腺癌早筛模型！
背景介绍 cfDNA的相关研究已经成为热潮，今天小编为大家带来的这篇文章，作者利用 cfDNA 片段组学开发了侵袭性 I 期肺腺癌 (LUAD) 的预测模型，文章发表在《eBioMedicine》上，影响因子为 图 1 预测模型对I期LUAD的AUC为0.977，灵敏度为96.5%，特异性为93%，超过任何其他组合(图2a和2b)。 此外，本研究还发现，不同的机器学习算法和motif特征组合可以在不同的研究队列之间产生不同的检测性能(图2a和2b)，突出了优化模型参数的重要性。 图 2 基于 5 × 的 WGS 数据，本研究的模型表现出卓越的检测能力，模型 AUC在内部和外部验证队列中分别为 0.985和 0.954（图 3a）。 在将 WGS 覆盖范围下采样到 4×、3×、2×、1× 和 0.5×后，本研究发现它们的 AUC 值在内部 (> 0.97) 和外部 (> 0.91) 验证队列中始终保持较高水平（图 3c 和 3d）。
64250编辑于 2022-12-04 - 来自专栏腾讯开源的专栏
腾讯优图开源业界首个3D医疗影像大数据预训练模型
MedicalNet提供的预训练网络可迁移到任何3D医疗影像的AI应用中，包括但不限于分割、检测、分类等任务； 2. 尤其适用小数据医疗影像AI场景，能加快网络收敛，提升网络性能； 3. 为了产生3D医疗影像的预训练模型，MedicalNet聚集多个来自不同3D医疗领域的语义分割小规模数据集，并提出了基于多分支解码器的多域联合训练模型来解决数据集中的标注缺失问题。 我们的预训练模型可以迁移到任何3D医疗影像应用的深度学习模型中。 整个系统的工作流程如下图所示： 我们将MedicalNet模型迁移到预训练时未接触过的Visceral和LIDC数据集中，完成全新的肺部分割和肺结节分类任务，并与目前常用的从零训练（train from 在收敛速度上，实验证明，无论是在肺分割任务还是肺结节分类任务上，MedicalNet均能为模型提供一个较低的初始化损失值，明显加快损失下降速度，下图为MedicalNet性能的一个简单示例，展示了在全器官分割应用中
1.9K31发布于 2019-08-07 - 来自专栏Flutter
Flutter 中渲染3D 模型
原文地址：https://medium.com/flutterdevs/explore-model-viewer-in-flutter-e5988edbfe66 3D模型是具有3个测量长度，宽度和深度的模型 **我们将实现一个模型查看器演示程序，并在您的flutter应用程序中使用model_viewer包以glTF和GLB格式显示3D模型。 3D模型显示3D图片。 该演示视频展示了如何在Flutter中创建模型查看器。它显示了如何在flutter应用程序中使用model_viewer包来运行模型查看器。 它以glTF和GLB格式显示3D模型，并通过鼠标，手触摸和自动旋转将其旋转360度。 功能 模型查看器具有以下功能： 呈现glTF和GLB模型。（此外，USDZ型号在iOS 12+上。） 参数 **src：**此参数用于3D模型的URL或路径。此参数是必需的。仅支持glTF / GLB型号。
27.7K20发布于 2021-04-22 - 来自专栏机器之心
3D具身基础模型！北大提出Lift3D赋予2D大模型鲁棒的3D操纵能力
为了构建鲁棒的 3D 机器人操纵大模型，Lift3D 系统性地增强 2D 大规模预训练模型的隐式和显式 3D 机器人表示，并对点云数据直接编码进行 3D 模仿学习。 在自监督微调之后，我们引入了一种 2D 基础模型 Lifting 策略，该策略在输入 3D 点和 2D 模型的位置编码之间建立了位置映射关系。 2）另一方面，一些方法涉及模态转换，例如将预训练的 2D 特征提升到 3D 空间，或将 3D 点云投影到多视角图像中，以供 2D 预训练模型输入。 对于显式 3D 机器人表示，我们提出了一种 2D 基础模型 lifting 策略，利用 2D 基础模型的预训练位置编码（PE）来编码 3D 点云数据，用于 3D 操纵模仿学习。 一些研究表明，2D 基础模型在各种下游机器人任务中展示了强大的操纵和泛化能力。在此基础上，Lift3D 首先增强了 2D 基础模型中的隐式 3D 机器人表示。
31700编辑于 2025-02-14 - 来自专栏又见苍岚
OBJ 3D模型格式介绍
OBJ是一种 3D 文件格式, 本文记录相关内容。 OBJ 是一种几何定义文件格式，Wavefront Technologies 公司在可视化加强动画包中第一次使用了这个格式，文件格式是公开的，并具有及其优质的兼容性和跨平台、跨行业的通用性，在所有 3D OBJ 格式的三维网格模型储存了模型的顶点、面片、法向量纹理等几何信息。 OBJ 文件一般会与 mtl 文件与 贴图图像 文件共用, 组成一个 3D 模型文件, 有时还会附带一个 xml 文件记录坐标偏移量。 补充说明 模型一般通过 3d 建模软件，例如 Blender, 3DS Max 或者 Maya 等工具建模，导出时的数据格式变化较大，我们导入模型到 OpenGL 的任务就是：将一种模型数据文件表示的模型
2.3K10编辑于 2024-07-13 - 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 微软开发首个针对2D数据的3D模型的“可缩放”训练技术 最在一份新的预印本论文中，来自Microsoft Research的团队详细介绍了一个框架。 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。 据悉，仅使用2D图像进行训练，该框架可以始终学习比现有模型更好的形状，这对于缺乏从头开始创建3D形状的视频游戏开发人员，电子商务企业和动画工作室可能是一个福音。 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）。
1.1K31发布于 2020-03-11
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