语言: 英语
许可证: CC-BY-NC-4.0
任务标签: 深度估计
标签:

• sapiens

Depth-Sapiens-0.3B-Bfloat16

模型详情

Sapiens 是一个在 3 亿张 1024 x 1024 分辨率的人类图像上预训练的视觉变换器（Vision Transformer）系列模型。这些预训练模型在针对以人为中心的视觉任务进行微调后，能够泛化到真实世界的复杂场景中。
Sapiens-0.3B 原生支持 1K 高分辨率推理。即使标注数据稀缺或完全合成，该模型仍能展现出对真实世界数据的卓越泛化能力。

• 开发团队: Meta
• 模型类型: 视觉变换器（Vision Transformer）
• 许可证: 知识共享-署名-非商业性 4.0
• 任务类型: 深度估计
• 格式: bfloat16
• 文件: sapiens_0.3b_render_people_epoch_100_bfloat16.pt2

模型规格

• 图像尺寸: 1024 x 768 (高 x 宽)
• 参数量: 3.36 亿
• 计算量: 1.242 TFLOPs
• 分块大小: 16 x 16
• 嵌入维度: 1024
• 层数: 24
• 注意力头数: 16
• 前馈通道数: 4096

更多资源

• 代码仓库: https://github.com/facebookresearch/sapiens
• 论文: https://arxiv.org/abs/2408.12569
• 演示: https://huggingface.co/spaces/facebook/sapiens-depth
• 项目主页: https://about.meta.com/realitylabs/codecavatars/sapiens
• 附加结果: https://rawalkhirodkar.github.io/sapiens
• HuggingFace 合集: https://huggingface.co/collections/facebook/sapiens-66d22047daa6402d565cb2fc

用途

Depth 0.3B 模型可用于估计人类图像的相对深度信息。