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-1B-Torchscript

模型详情

Sapiens 是一个基于 3 亿张 1024 x 1024 分辨率人类图像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，能够泛化到真实场景中。
Sapiens-1B 原生支持 1K 高分辨率推理。即使标注数据稀缺或完全合成，最终模型仍展现出对真实数据的卓越泛化能力。

• 开发方: Meta
• 模型类型: 视觉变换器（Vision Transformer）
• 许可证: 知识共享署名-非商业性使用 4.0
• 任务: 深度估计
• 格式: TorchScript
• 文件: sapiens_1b_render_people_epoch_88_torchscript.pt2

模型卡片

• 图像尺寸: 1024 x 768（高 x 宽）
• 参数量: 11.69 亿
• 计算量 (FLOPs): 4.647 万亿次浮点运算
• 分块大小: 16 x 16
• 嵌入维度: 1536
• 层数: 40
• 注意力头数: 24
• 前馈通道数: 6144

更多资源

• 代码库: 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 1B 模型可用于估计人类图像的相对深度。