单相机(单目)散斑结构光-三维重建(3D-reconstruction):综述、原理、计算过程(一)

        整理一下最近的工作,记录关于单目散斑结构光的技术实现,本文先对原理进行简单阐述,梳理,下一章节开源基于opencv的C++原理性代码。

        单目散斑结构光的三维重建,最早见于微软2010的Kinect,用在游戏领域,但被很多大厂与学校用在机器人、SLAM等科研用途。随后国内奥比中光开始跟进,成为国内的该领域老大。

一、综述:

       目前3D成像技术也曾出不穷,一些其他的方案简单的做个综述:

       表格版:

传感器(sensor) 方案 描述 优点 缺点

CMOS/

CCD 

相移法 投影仪投射不同相位图案,常见的有4步像移法等。在工业领域,高精度成像应用较多,消费级很少。通常没法跑到实时。 多张拍摄精度高,成本低 精度与距离的平方成反比,远距离精度衰减极快。
双目法

分为被动式和主动式。

被动式是指利用场景的自然纹理进行重建,目前刷精度用深度学习方法的比较多,具体可查看middlebury数据集排名;

### 使用 AutoGPTQ 库量化 Transformer 模型 为了使用 `AutoGPTQ` 对 Transformer 模型进行量化,可以遵循如下方法: 安装所需的依赖包是必要的操作。通过 pip 安装 `auto-gptq` 可以获取最新版本的库。 ```bash pip install auto-gptq ``` 加载预训练模型并应用 GPTQ (General-Purpose Tensor Quantization) 技术来减少模型大小和加速推理过程个常见的流程。下面展示了如何利用 `AutoGPTQForCausalLM` 类来进行这工作[^1]。 ```python from transformers import AutoModelForCausalLM, AutoTokenizer from auto_gptq import AutoGPTQForCausalLM model_name_or_path = "facebook/opt-350m" quantized_model_dir = "./quantized_model" tokenizer = AutoTokenizer.from_pretrained(model_name_or_path) model = AutoModelForCausalLM.from_pretrained(model_name_or_path) # 加载已经量化的模型或者创建个新的量化器对象用于量化未压缩过的模型 gptq_model = AutoGPTQForCausalLM.from_pretrained(quantized_model_dir, model=model, tokenizer=tokenizer) ``` 对于那些希望进步优化其部署环境中的模型性能的人来说,`AutoGPTQ` 提供了多种配置选项来自定义量化参数,比如位宽(bit-width),这有助于平衡精度损失与运行效率之间的关系。 #### 注意事项 当处理特定硬件平台上的部署时,建议查阅官方文档以获得最佳实践指导和支持信息。此外,在实际应用场景之前应该充分测试经过量化的模型以确保满足预期的质量标准。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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