DSML Reading Club #2 жазбасы: VGGT

Ануар Тасқынов Visual Geometry Grounded Transformer туралы айтып берді.

VGGT — 3D компьютерлік көру міндеттеріне арналған жаңа буындағы foundation-модель. Ол көріністің бір, бірнеше немесе тіпті жүздеген суреті арқылы негізгі 3D сипаттарды бірден болжай алады: камера параметрлері, тереңдік карталары, тығыз нүктелер бұлты және 3D трекинг.

Дәстүрлі тәсілдерден айырмашылығы, VGGT күрделі постөңдеуді қажет етпейтін бірыңғай әмбебап модель ретінде жұмыс істейді. Сонымен қатар ол жылдам — бір реконструкцияға бір секундтан аз уақыт жұмсайды — әрі дәл, бірнеше 3D міндет бойынша озық нәтиже көрсетеді.

Семинар хосты: Еламан Абдуллин. Презентацияны жүктеу.

Видеоны көру: youtube.com/watch?v=TVZoU1m5WKI