RENO:面向 3D LiDAR 点云的实时神经压缩

TopNet:基于Transformer的高效点云几何压缩网络模型详解 TopNet通过创新的CNN-Transformer协作架构,在点云几何压缩领域实现了性能与效率的双重突破。实验表明,该方法在复杂真实场景中显著优于现有方法,为大规模点云应用提供了高效解决方案。未来工作将重点探索跨模态压缩与边缘端部署优化。 阅读详情

1. 介绍

在机器人、自动驾驶和三维建图等前沿领域,LiDAR点云已经成为感知环境的核心数据形式。随着激光雷达传感器以每秒数十帧的速度不断采集高精度三维点云,如何实时、高效地压缩这些海量数据,已成为支撑设备端存储、网络传输和协同决策的关键问题。

传统基于规则的LiDAR点云压缩方法,在压缩效率与处理延迟之间往往难以兼顾。以MPEG推出的G-PCC标准为例,它通过复杂的启发式规则实现了较高的压缩性能,但距离实时处理仍有较大差距。而Google开源的Draco虽然延迟较低,压缩速度较快,但率失真性能明显不足。另一类基于距离图像的方法,利用传感器物理特性将三维点云投影到二维平面,从而简化压缩流程,但这种投影过程会引入不可逆的失真,影响重建质量,并可能削弱下游任务(如目标检测)的表现。

近年来,基于学习的神经编解码器在点云压缩任务上展现出了出色的率失真性能。然而,这些神经模型通常伴随着高昂的计算复杂度和内存开销,难以满足实时应用的需求。例如,当前最先进的方法之一Unicorn,在RTX 3090 GPU上压缩一帧14比特精度的LiDAR点云仍然需要约2秒。这引出一个关键问题:为什么现有神经编解码器难以实现实时处理,我们又能如何突破这一瓶颈?

通过对现有方法的深入分析,我们发现主要瓶颈来自两个方面:一是许多方法依赖八叉树结构,为每一帧点云构建八叉树本身就是一个耗时的过程;二是多尺度稀疏张量表示中,为了利用跨尺度上下文,通常需要多阶段逐步推理子体素的占用状态,这种串行化的处理方式严重拖慢了运行速度。

针对上述问题,我们提出了RENO——首个面向三维LiDAR点云的实时神经编解码器。RENO的核心设计思想包括:

  • 跳过八叉树构建:直接基于多尺度稀疏张量表示,避免了八叉树生成带来的复杂计算;
  • 稀疏占用码与一次性推断:在每个尺度上,我们定义了稀疏占用码来显式描述体素的占用状态,并采用一次性方式完成推断,无需多阶段处理;
  • 跨尺度上下文建模:通过低尺度的占用码和坐标信息,辅助当前尺度的占用码压缩,在保证实时性的同时提升压缩效率。

实验结果表明,RENO在桌面平台(单张RTX 3090 GPU)上,对14比特深度数据的编码和解码均可达到每秒10帧的实时速度。在同等重建质量下,相比G-PCC v23和Draco,分别节省了12.25%和48.34%的码率。更令人印象深刻的是,整个模型大小仅为1 MB,极具工业部署价值。源码已公开于:https://github.com/NJUVISION/RENO。

2. 相关工作

LiDAR点云压缩领域的研究主要围绕如何利用点云天然的稀疏性来组织数据,从而为后续的上下文建模和熵编码打下基础。现有方法大致可以归为三类:基于树结构的、基于多尺度稀疏张量的,以及基于距离图像的。

树结构方法

最简单的树结构是KD树,Google的Draco实时压缩器就采用了这种方式,获得了极低的延迟,但率失真效率有限。相比之下,八叉树因其对三维空间的规则划分而受到了更广泛的研究,并被MPEG采纳为G-PCC标准的基础。G-PCC利用手工设计的启发式规则挖掘邻域信息,构造熵编码所需的上下文,从而取得了比Draco好得多的压缩性能,但其参考软件实现尚未优化,远未达到实时处理的要求。

近年来,研究者尝试将深度学习引入八叉树上下文建模。OctSqueeze和OctAttention率先提出了可学习的上下文模型,后续的ECM-OPCC、EHEM等工作进一步提升了编码效率。然而,这些基于学习的八叉树方法仍然需要为每一帧输入点云构建完整的八叉树结构,这一过程本身就会带来显著的运行时开销,成为实时压缩的障碍。

多尺度稀疏张量方法

为了避开八叉树的构建代价,多尺度稀疏张量表示被提出。其核心思想是:通过对原始点云坐标进行固定的二倍下采样,逐层生成不同分辨率的稀疏张量,所有操作都在原生的笛卡尔空间中进行,无需额外的树结构。SparsePCGC及其后续版本(如SparsePCGCv2、Unicorn)在此基础上构建神经编解码器,取得了很好的压缩性能。

然而,这类方法在推断当前尺度的体素占用时,通常需要依赖低尺度信息进行多阶段处理。具体来说,为了判断上采样后哪些子体素被占用,往往需要分组、逐步计算,即使像Unicorn那样去除了自回归依赖,仍然难以实现实时处理。一些工作尝试将八叉树的占用码与稀疏张量表示相结合,期望提高计算效率,但本质上仍然受困于多阶段推理或八叉树预先生成的开销。

距离图像方法

另一条技术路线利用LiDAR传感器的物理扫描特性,将三维点云投影为二维距离图像(range image)。基于这种表示,许多压缩方法被提出,例如R-PCC和RTST。这类方法的最大优势在于压缩延迟极低,能够满足实时要求。然而,3D到2D的投影过程会引入明显的几何失真,导致重建点云的质量下降,并且这种损失会进一步影响到下游任务(如三维目标检测)的精度。因此,尽管距离图像方法速度快,但难以提供高保真的重建结果,在精度敏感的应用场景中受到较大限制。

综上所述,现有的LiDAR点云压缩方法要么在压缩效率和速度之间难以两全,要么牺牲重建精度换取实时性能。RENO的提出正是为了打破这一困境:它在多尺度稀疏张量表示的基础上,通过稀疏占用码和一次性推断,同时实现了实时速度和优异的率失真性能,且模型体积极小,有望真正落地到自动驾驶、机器人等时间敏感型应用中。

3. 方法

RENO 的设计目标是:在保持高压缩效率的同时,实现 LiDAR 点云几何信息的实时编码与解码。为此,我们选择多尺度稀疏张量表示作为基础,而不是传统的八叉树。下图(原文图3)展示了整体框架,下面我们逐步拆解其中的关键设计。

3.1 多尺度稀疏张量与稀疏占用码

给定一帧 LiDAR 点云,我们将其表示为最细尺度(最高分辨率)上的稀疏坐标张量 CDC^DCD,其中 DDD 是总尺度层数。通过反复执行二倍下采样,我们可以逐层得到更粗糙的稀疏张量 CD−1,CD−2,…,C0C^{D-1}, C^{D-2}, \dots, C^0CD−1,CD−2,…,C0。这种表示方式直接操作于笛卡尔空间,完全避开了八叉树的构建过程。

为了在不同尺度之间建立联系,我们定义了稀疏占用码。想象一下:在八叉树中,一个父节点有 8 个子节点,每个子节点要么被占用(1)要么为空(0),父节点的占用符号就是一个 0~255 的整数。稀疏占用码扮演了完全类似的角色,但它不需要树结构——我们直接用固定权重的稀疏卷积,将 8 个相邻体素“压缩”成一个码值 o∈[1,255]o \in [1,255]o∈[1,255]。

形式上,从尺度 ddd 到 d−1d-1d−1 的转换可以写作:
(Cd−1,Od−1)=FOG(Cd) (C^{d-1}, O^{d-1}) = \text{FOG}(C^d) (Cd−1,Od−1)=FOG(Cd)
其中 FOG(Fast Occupancy Generator)就是那个固定卷积。反过来,从粗糙尺度恢复到精细尺度:
Cd=FCG(Cd−1,Od−1) C^d = \text{FCG}(C^{d-1}, O^{d-1}) Cd=FCG(Cd−1,Od−1)
FCG(Fast Coordinate Generator)将每个码值展开为 8 个二进制位,再剪除空节点,即可得到精细坐标。

通过递归展开,原始点云可以无损表示为:
CD=(((((C0,O0),O1),O2),… ),OD−1) C^D = (((((C^0, O^0), O^1), O^2), \dots), O^{D-1}) CD=(((((C0,O0),O1),O2),…),OD−1)
这意味着:我们只需要压缩初始的 C0C^0C0 和所有稀疏占用码序列 O0,O1,…,OD−1O^0, O^1, \dots, O^{D-1}O0,O1,…,OD−1 即可。其中 C0C^0C0 非常稀疏(只有几个体素),压缩代价可忽略,所以核心任务就变成了压缩稀疏占用码序列。

3.2 快速占用转换器(FOG 与 FCG)

FOG:从精细坐标生成占用码

FOG 使用一个核大小为 2、步幅为 2 的稀疏卷积,卷积核权重被手工固定为:
[1,2,4,8,16,32,64,128] [1, 2, 4, 8, 16, 32, 64, 128] [1,2,4,8,16,32,64,128]
操作过程非常简单:将精细尺度上的每个体素坐标赋值为“1”,然后滑动这个卷积核。每 8 个相邻体素(一个 2×2×22\times2\times22×2×2 的块)会被加权求和,得到一个 1~255 的整数。这个整数正是这 8 个体素占用状态的唯一编码。由于权重是固定的且卷积是稀疏的,该过程可以高度并行化,计算负担极轻。

FCG:从占用码恢复精细坐标

FCG 分为两步:展开与剪枝。首先,将每个稀疏占用码 ooo 转换为 8 位二进制表示,每一位对应一个子体素的位置(例如 bit0 对应 (0,0,0),bit7 对应 (1,1,1))。然后,只保留二进制位为 1 的那些位置,得到精细尺度的坐标张量。这一步同样没有复杂的计算,只是简单的位运算和坐标生成。

通过 FOG 和 FCG,我们可以在不同尺度之间快速切换,既无需构建树结构,也无需任何神经网络推理——它们是完全确定的、轻量级的操作。

3.3 目标占用预测器(TOP)

虽然占用码本身可以通过上述转换器获得,但为了高效压缩,我们需要估计每个占用码的概率分布,然后交给算术编码器。这就是 TOP 的职责。

TOP 的核心思想是利用跨尺度相关性:当前尺度的占用码 OdO^dOd 与低尺度的坐标 Cd−1C^{d-1}Cd−1 和占用码 Od−1O^{d-1}Od−1 存在强相关性。因此,TOP 接收三个输入:Cd−1C^{d-1}Cd−1、Od−1O^{d-1}Od−1 和当前尺度目标坐标 CdC^dCd,输出 OdO^dOd 的概率分布。

TOP 的工作流程分为三步:

  1. 占用特征提取:将离散的占用码 Od−1O^{d-1}Od−1 通过嵌入层转换为连续向量,再经过一个残差块(ResNet Block),得到聚合特征 Fd−1F^{d-1}Fd−1。

  2. 目标嵌入:将低尺度特征传递到当前尺度的目标坐标上。首先,采用直接复制:父体素的特征直接复制给它的 8 个子体素。然后,注入相对位置信息:子体素相对于父体素的位置(八分体索引,0~7)也被嵌入并加到特征上。最后再经过一个残差块,得到当前尺度的特征 FdF^dFd。

  3. 概率预测:利用 FdF^dFd,通过一个多层感知机(MLP)和 SoftMax 层,预测每个占用码的概率分布。

按位两阶段预测

直接预测 8 比特码(255 个类别)是可行的,但我们在实现中发现,按位两阶段策略更优:

  • 将 8 比特占用码拆分为高 4 比特 S1dS_1^dS1d​ 和低 4 比特 S2dS_2^dS2d​。
  • 先预测 S1dS_1^dS1d​ 的概率分布,然后以 S1dS_1^dS1d​ 为条件预测 S2dS_2^dS2d​。
  • 最终概率为 P(Od)=P(S2d∣S1d)P(S1d)P(O^d) = P(S_2^d \mid S_1^d) P(S_1^d)P(Od)=P(S2d​∣S1d​)P(S1d​)。

这样做有两个好处:第一,预测 4 比特(16 类)比预测 8 比特(255 类)更容易,模型精度更高;第二,在 CPU 上进行算术编码时,需要将概率张量从 GPU 传输到 CPU。两阶段方案下,传输的数据量从 N×255N \times 255N×255 降为 2×N×162 \times N \times 162×N×16,带宽需求降低约 8 倍,显著加速了熵编码过程。

3.4 损失函数

由于我们关注的是稀疏占用码的无损压缩,优化目标就是最小化预测分布与真实分布之间的交叉熵:
L=EO∼P(O)[−log⁡Pθ(O)]=∑d=1D−1EOd∼P(Od)[−log⁡Pθ(Od)] \mathcal{L} = \mathbb{E}_{O \sim P(O)}[-\log P_\theta(O)] = \sum_{d=1}^{D-1} \mathbb{E}_{O^d \sim P(O^d)}[-\log P_\theta(O^d)] L=EO∼P(O)​[−logPθ​(O)]=d=1∑D−1​EOd∼P(Od)​[−logPθ​(Od)]
在训练过程中,我们使用教师强制(teacher forcing),即用真实的占用码作为输入来预测概率,并计算交叉熵损失。推理时,则用算术编码器根据预测的概率分布对实际出现的占用码进行编码。


通过以上设计,RENO 实现了三个关键目标:

  • 实时性:跳过八叉树构建,用固定卷积生成占用码,一次性推断概率。
  • 高压缩效率:利用跨尺度上下文和按位两阶段预测,显著优于传统实时方法。
  • 轻量级:整个模型仅 1 MB,易于部署。

4. 实验与讨论

4.1 实验设置

4.1.1 数据集

实验采用两个广泛认可的数据集:KITTI [12] 和 Ford [28]。

  • KITTI:包含 14,999 帧由 Velodyne HDL-64E 扫描的 LiDAR 点云。官方划分:3,712 帧用于训练,3,769 帧用于验证,7,518 帧用于测试。
  • Ford:由 3 个序列组成,每个序列 1,500 帧,用于 MPEG 标准化测试。按常见测试条件,序列 01 用于训练,序列 02 和 03 用于评估。
4.1.2 实现细节

RENO 使用 Python 3.9 和 PyTorch 1.10 实现,并利用 TorchSparse++ [33] 进行高效稀疏卷积。优化器采用 Adam [18],初始学习率为 5×10−45\times10^{-4}5×10−4,批大小为 1。模型训练 100,000 步,训练样本被量化到 16 比特精度。所有实验均在 Intel Xeon Silver 4314 CPU 和一块 NVIDIA GeForce RTX 3090 GPU 上进行。由于不同方法的实现细节存在差异(如 CPU/GPU 使用方式不同),文中的运行时间对比旨在提供计算复杂度的直观参考。

4.1.3 对比基线

本文对比了以下方法:

  • 实时压缩器:Draco [13]、R-PCC [39]、RTST [10]。
  • 非实时但高性能标准:G-PCC v23 [41]。
  • 与更多学习型方法(Unicorn [37]、EHEM [31] 等)的比较见补充材料。

4.2 对比实验

4.2.1 率失真性能

如表 1 和图 5 所示,RENO 在点到点(D1)与点到平面(D2)两种指标下,在整个码率范围内均一致地优于所有对比方法。G-PCC v23 虽然率失真性能令人信服,但由于其熵编码采用复杂规则且参考软件未优化,不具备实时能力 [41]。而实时方法(Draco、R-PCC、RTST)的性能明显较弱。R-PCC 和 RTST 依赖距离图像表示,仅支持较窄的码率范围且重建保真度较差,根本原因在于 3D 到 2D 投影引入了显著失真 [42]。

在这里插入图片描述
在这里插入图片描述

4.2.2 计算复杂度

表 1 中的编码/解码时间证明了 RENO 的实时能力。对于 12 比特 LiDAR 点云,RENO 编码 0.052 秒,解码 0.050 秒,与基于规则的实时方法相当甚至更优。对于 14 比特样本,RENO 仍能达到平均实时延迟(例如 10 帧/秒),匹配主流 LiDAR 传感器的采集频率。

4.2.3 定性可视化

图 6 展示了低码率与高精度场景下的重建样本(来自两个 KITTI 点云)。RENO 显著优于其他实时方法:

  • 低码率下,RENO 能有效重建扫描条纹和车辆轮廓;Draco 结果模糊,RTST 和 R-PCC 均表现出扫描完整性缺失。
  • 高码率下,RENO 实现更精确的点重建,Chamfer Distance 仅为 8 mm,不到 Draco 的一半。基于距离图像的方法即使在高码率下仍难以准确重建,印证了 2D 投影引入的显著失真。

在这里插入图片描述

5. 结论

本文提出了 RENO——一种建立在多尺度稀疏表示之上的 LiDAR 编码器。在每一个尺度上,它通过压缩稀疏占用码,以一次性推断的方式确定体素的占用状态;其中,稀疏占用码的生成利用了固定权重的稀疏卷积,无需诉诸复杂的八叉树构建过程,而这些占用码的压缩则通过条件编码来利用跨尺度相关性。RENO 在实现实时压缩速度的同时,仍提供了优异的性能,因此对诸如自主机械等应用具有吸引力,可用于即时保存和交换刚采集到的LiDAR 数据,以支持更优的决策。

【信息科学与工程学】信息科学领域——第一百三十五篇 射频/天线03 按照之前的模式,继续补充961-970,保持领域覆盖均衡,延续材料、几何、拓扑、电磁、组网、信号、脉冲、数据传输、信号采集、信号编解码十个方向,每个方向至少一题,可以适当穿插一些之前未充分覆盖的子领域(比如材料还可以做钙钛矿、MXene等;我们收到了用户要求继续补充的问题,需要新增编号,并关注射频/天线的材料领域、几何、拓扑、电磁、组网、信号、脉冲、数据传输、信号采集、信号编解码领域。注意保持表格格式一致,内容涵盖射频/天线领域的各种子领域,包括6G、5G、脉冲、波/函数、组合、组网、射频设计等。 阅读详情

相关推荐

企业华为TaurusDB数据库国产替代要点全记录

国产化数据库全方位对比、从互联网企业的先进经验来看mysql的用法、及sql优化、sql异构修改、及数据同步方面都做了一些讲解

深耕互联网的码农,在AI及国产化浪潮下,希望把自己的能力输出给更多的人 1065

雷达点云压缩综述阅读

其中,●:表示基于树的方法,▲表示基于图像的方法,■表示基于AE的方法。octree方法:能自动根据点的密度调整层级,适用于稀疏或非均匀点云,因而压缩性能优越。基于图像方法:需要将点云转换为范围图像,虽然可以用现成图像编解码器,但会造成几何信息损失。基于AE方法:尽管神经网络不断提升,但目前仍在通用度和精度方面弱于八叉树方法。其中,●:表示基于树的方法,▲表示基于视频的方法,■表示基于运动的方法。octree方法:尽管并非完全消除时间冗余,但与其他的LPCC相比,更具有竞争性能,尤其是在低比率下。

qq_49130177的博客 506

如何编译RustDesk(Unbuntu 和Android版本)

备注:官方文档上,一边都是基于sciter,这个在后面已经不建议使用了,但是依然可以编译刚开始的时候看官方的文档,涉及的东西比较多,也搞的一头雾水,通过B站上一个视频,可以通过CI/CD来编译,以及act本地试试(最终放弃,大概需要下载大几十G的容器下来)。最终总算明确了方向,可以用自动化流水线来编译。直接看CI/CD的脚本文件文件在.github/workflows目录下,重点研究 bridge.yml 和flutter-build.yml 这两个文件。

lvronglee的专栏 2549

经纬管网三维建模系统MagicPipe3D V3.8.2发布,支持PBR材质导出

经纬管网建模系统MagicPipe3D,基于二维矢量管线管点数据本地离线参数化构建地下管网三维模型(包括管道、接头、井篦、附属设施等),输出标准3DTiles、Obj模型等格式,广泛支持Cesium、Unreal、Unity、飞渡科技等引擎加载进行三维可视化、语义查询、专题分析!详见:https://blog.youkuaiyun.com/Giser_3D/article/details/154820844?"1、支持Pbr材质,可以设置粗糙和金属系数",

专注空间智能,构建梦幻之城 191

3线SWD接线终极指南:用Jlink调试非3.3V设备的5个关键细节

本文详细解析了使用Jlink调试非3.3V设备时,3线SWD接线的5个关键细节。核心在于正确理解并连接Vref引脚以实现电压适配,避免供电冲突,并掌握精简接线法与固件修复技巧。文章以STM32F205等芯片为例,指导开发者安全、高效地进行混合电压调试。

e4f5g6h7的博客 441

Calibre PEX提取HSPICE网表时如何避免‘net 0‘错误?实测解决方案分享

本文详细解析了Calibre PEX提取HSPICE网表时出现的'net 0'错误,提供了从规则文件修改到网表后处理的四步解决方案。通过实战案例和进阶调试技巧,帮助工程师有效避免节点映射错误,确保后仿真精度。特别针对SPICE netlist生成机制提出了优化建议。

weixin_29279153的博客 388

【3D仿真数据集】从“能生成”到“能用”:面向工业仿真的3D资产自治自愈流水线全链路落地

AI生成的GLB、URDF、3DGS资产普遍存在原点偏移、法线反转、贴图失效、关节超限、渲染瑕疵等天然缺陷,导致“生成一百个,能用不到一半”。通过离线入库预检 + 运行时动态自愈双层防护体系,实现多格式资产(GLB/URDF/SPZ)自动化质检、缺陷修复、全链路溯源、故障沉淀、评测基准自生长,真正解决「AI生成3D不可用、仿真易崩坏、人工治理成本高」的行业痛点。缺少一套覆盖多资产格式、事前+事后双层防护、可自治巡检、可自愈修复、可沉淀评测基准的完整3D生产流水线。

weixin_67195547的博客 643

NCBI|叶绿体基因组数据上传

叶绿体基因组NCBI上传 小编最近在NCBI上传了好几次数据…想着可以把具体的上传步骤写下来,供大家参考。以下是叶绿体基因组的上传示例,大家可以瞅瞅 图片 准备工作 1.登录NCBI官网:https://www.ncbi.nlm.nih.gov/, 依次点击“sign in to NCBI”——“See more 3rd party sign in options”——搜索“Microsoft live.com”。 ”sign in to NCBI“ ”See more 3rd party sign i

weifanbio的博客 3906

Cesium 建筑单体化、3DTiles 分类、楼层显隐、分户高亮(BIM + 倾斜孪生高频)

拿到 batchId,读取 BatchTable 里面的名称、面积、户主、房间用途,弹出信息面板,孪生项目标配。Revit 导出 3DTiles 常用工具:FME、CesiumLab、ifc2tiles;扩展业务:做多层勾选(多选楼层),shader 里面用。,否则 BatchTable 为空,前端无法筛选。很多人单体化失败就是字段名大小写不匹配。直接丢弃不在目标楼层的片元;

On the way 235

【数字电源/MATLAB+PLECS】如何进行 Buck 数字电源仿真(二)PLECS 搭建开环 Buck 功率级

本文介绍了如何在PLECS中搭建开环Buck功率级模型,验证数字电源设计的基本思路。重点内容包括: 明确开发顺序:先开环验证功率级,再闭环设计控制器 搭建关键组件:输入电源、PWM模块、MOSFET开关、续流二极管、LC滤波电路及负载 设置初始参数:24V输入、12V输出、200kHz开关频率、22μH电感、100μF电容 测量关键波形:MOSFET Vds验证开关动作、电感电流纹波和输出电压稳态值 提供完整仿真模型和GitHub资源,便于读者复现验证 文章强调通过开环测试先确保功率级正确性,为后续闭环控制

weixin_43234123的博客 1227

保研考研机试攻略:第一章——从零开始

🧊保研考研机试攻略:第一章——从零开始

qq_63349644的博客 1321

虚拟仿真实训基地的技术实现路径:从3D采集、资源库到仿真平台的完整链路

本文提出“五段式”虚拟仿真实训链路——采集、建模、资源、平台、展示,破解职业教育实训资源持续产出难题。通过设备选型、AI建模、统一管理与过程留痕,实现教学资源标准化、可复用、可更新。强调元数据规范、轻量化处理与验收指标,避免“只采不建”“仿真脱节”等五大工程陷阱,确保基地长效运行,支撑岗位技能对接与教学改革。

Jmyd0123的博客 375

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

单细胞免疫组库分析3:从 scBCR-seq 序列到 3D 结构-IgFold 与 PyMOL 全流程深度解析

本文手把手教程基于scBCR-seq数据,利用IgFold预测抗体Fv区三维结构,并结合PyMOL完成从序列着色、CDR注释到氢键网络可视化与SCI级高颜值出图的全流程。重点解决Windows下IgFold安装难题,通过Annotate_v插件精准标注互补决定区,借助界面分析与半透明表面渲染,实现抗体-抗原结合位点的精细解析,助力免疫学研究与高水平论文发表。

三兔测序学社的博客 322

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

AI生成的3D场景只想改一处,用重新生成、自然语言编辑还是DCC手修?按5类改动选

AI 生成的 3D 场景出现问题后,该重新生成、用自然语言编辑,还是进入 Blender 手修?本文从错误范围、精度要求、依赖关系、回退能力和目标端验收五个角度判断,针对整体体量、局部造型、重复部件、拓扑与 UV、绑定与制造结构给出选择矩阵,并用三轮小样验证方法,帮助创作者控制返工成本。

Solange__的博客 502

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

陕西园区 IBMS集成 3D 数字孪生平台DDC楼宇自控:和 IBMS 有什么区别

交通枢纽是最考验“空间感”的建筑:航站楼、换乘通道、行李系统、机房、管廊,动辄几十万平方米,设备藏在吊顶里、竖井里、夹层里。映射关系是核心工作:每一个点位要绑定到模型里的对应设备或空间,比如“三层东区 AHU-3-2 送风温度”要落到那台机组的三维位置上。培训价值:新员工在模型里熟悉设备位置与系统关系,比翻图纸、跑现场快得多,尤其适合人员流动大的物业。模型与台账同步:设备更换后模型与档案一起更新,否则三维画面会逐渐“失真”,一年之后没人敢信它。可分期建模:先做重点区域与关键系统,再逐步补全,不必一次做完。

y_a_c_h_u_a_n的博客 195

3D建筑导出后总绕错位置旋转?用5步检查原点、放置锚点与交付范围

3D 建筑导出后绕错位置旋转、放置偏移或缩放离地,未必只是原点设置错误。本文区分对象原点、操作枢轴与放置锚点,通过冻结交付范围、检查锚点、追踪父级变换、执行三类操作测试,以及源软件、空场景回读和目标端核对,定位首次出现差异的环节,并提供最小交付记录表,避免用拖动补偿掩盖坐标问题。

Martina_0321的博客 347

AI建筑白模交给客户、设计师和开发者,网页链接、GLB还是DCC源文件怎么选?

AI 建筑白模交给客户、设计师和开发者,不宜只发同一种交付物。本文按接收任务区分网页评审副本、GLB 等轻量交换文件和 DCC 源工程,分别说明版本定位、单位轴向、对象映射、材质依赖与编辑上下文的验收方法,并介绍如何从同一审核母版派生成果,避免多版本失配。附交付对照表与检查清单,明确 “能查看”“能集成”“能继续编辑” 的区别,以及白模不能替代正式工程资料的边界。

Solange__的博客 310

百炼 CLI 生成物流主题 3D 视觉概念图教程:一个关键词出主视角/鸟瞰/特写/风格变体一套图,含默认开关与水印坑实测

做物流投标配图、方案配图的人经常遇到同一个需求:手里只有一个关键词,交付物却是一整套 3D 视觉概念图。本文以「无人仓储中心」为例,用百炼命令行的两条命令搭一条两段式生图链路,一个关键词产出主视角、鸟瞰、设备特写与风格变体成套图,并把四条可选路线的等待时间、画面文字注入情况和成套一致性一次测完,给出可直接抄的接法与参数。

weixin_43540568的博客 112

机器视觉 3D 相机与机器人引导全解析:四大成像原理、手眼标定与七步落地流程

3D 视觉的精度上限,80% 取决于。

2501_94699871的博客 229

项目选型 3D 相机推荐:光学体制匹配与视锥核算实战指南

项目选型 3D 相机推荐的第一决策变量不是分辨率或标称精度,而是。工程实测表明,抛光金属件评估 450nm 蓝光激光振镜体制,利用窄带滤波从物理层切除镜面反射过曝;深筐大件则必须按“最远工作距离下的 Z 向重复精度”反向倒推视锥覆盖,而非先选相机再看视野是否“差不多够用”。光学体制选错导致的点云缺失,后续任何算法都无法补全。

加搜科技观察 374

OpenViking 上线原生 3D 内容理解模型

OpenViking 作为业内首个理解三维世界的 Agent 上下文数据库产品,后续将陆续支持dxf、iges、sldprt、sldasm 等更多格式的导入与理解。现在接入,后续上线无需额外操作,即刻使用。🚀上手试用,前 50 文档免费🌟 开源 OpenViking:访问GitHub 仓库,为我们点亮一颗 Star!❓三分钟测出你是哪种 Agent 饲养员选择属于你的 OpenViking。

bytedanceospo的博客 227

考古遗址怎么用AI生成3D分期复原?从证据台账、构件白模到网页时间轴

考古遗址的复原画面完整,不代表历史证据完整。本文介绍从资料授权、证据台账、现状白模到分期方案和网页时间轴的工作流程,区分现存事实、学术推断、教学简化与艺术想象,说明如何用稳定构件 ID 和版本映射避免阶段错绑,并提供三轮审核与上线清单,让 AI 辅助生成的候选可追溯、不确定性可辨识。

Solange__的博客 537

连锁门店方案怎么用AI生成3D预演?从需求表、空间白模到网页评审

连锁门店如何用 AI 辅助比较布局,并让品牌、运营与设计团队在线评审?本文从需求表和场地底稿出发,介绍双尺寸核对、区域与设备编号、固定观察点,以及从审核母版派生网页轻量版的方法,并通过品牌运营、空间资料、网页权限三轮审核保持版本对应。AI 用于生成候选与辅助表达,网页用于沟通方案,两者都不能替代现场测量、专业设计及工程审核。

Solange__的博客 475

把品牌官网做成一个 3D 世界:scroll-world

你向下滚动鼠标,画面里的镜头开始往前飞——先掠过一栋小楼的外立面,然后穿墙进入室内,扫过办公区,再从另一扇窗穿出去,平滑地落到下一个场景。整个过程没有黑屏、没有 loading、没有剪辑点,像一镜到底的电影镜头,而控制这个镜头的,就是你手里的滚轮。scroll-world 的画面是 AI 预先生成好的视频,滚动操作的是视频的播放进度(时间线),而不是实时驱动一个 3D 相机。这是效果上限最高的方式,但也是最贵的。如果你是对外交付的服务商,对客户报的是解决方案的价格,不是 API 的价格。

巽视达的专栏 613

微缩场景怎么用AI生成3D?单图、分件参考还是布局草图,按4层输入减少返工

一张港口概念图能说明场景气氛,却未必交代道路、高差、建筑背面和对象边界。本文按整体构图、空间布局、对象分件、尺寸与交付四层整理 AI 生成 3D 场景的输入,比较主图、布局草图和分件参考各自的作用与局限,并提供三轮试跑方法和可复制输入卡。生成后通过检查背面、量测尺寸、单独移动房屋及重新导入目标软件,判断候选是否满足后续编辑要求。

Solange__的博客 467
上一篇: HLTVSG:基于光谱梯度域的高光谱图像去噪方法解析
下一篇: (ITES 2025)教育推荐系统综述:主流技术、应用场景与未来趋势
山科智能信息处理实验室
博客等级 码龄6年 809粉丝 74原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值