Prompt Depth Anything Vitl Hf

🚀 Prompt-Depth-Anything-Vitl

Prompt Depth Anythingは、高解像度かつ正確なメトリック深度推定方法です。以下の特長を備えています。

• VLMやLLMの基盤モデルにおけるプロンプトの成功例に触発され、プロンプトを使用して深度基盤モデルの能力を引き出します。
• 広く利用可能なiPhone LiDARをプロンプトとして使用し、モデルが最大4K解像度の正確なメトリック深度を生成するように誘導します。
• この方法を訓練するための拡張可能なデータパイプラインを導入しています。
• Prompt Depth Anythingは、3D再構築や汎用的なロボット掴みなどの下流アプリケーションに役立ちます。

🚀 クイックスタート

このモデルはHugging Face Transformersと互換性があります (ドキュメント)。

💻 使用例

基本的な使用法

import requests
from PIL import Image
from transformers import PromptDepthAnythingForDepthEstimation, PromptDepthAnythingImageProcessor

url = "https://github.com/DepthAnything/PromptDA/blob/main/assets/example_images/image.jpg?raw=true"
image = Image.open(requests.get(url, stream=True).raw)


image_processor = PromptDepthAnythingImageProcessor.from_pretrained("depth-anything/prompt-depth-anything-vitl-hf")
model = PromptDepthAnythingForDepthEstimation.from_pretrained("depth-anything/prompt-depth-anything-vitl-hf")

prompt_depth_url = "https://github.com/DepthAnything/PromptDA/blob/main/assets/example_images/arkit_depth.png?raw=true"
prompt_depth = Image.open(requests.get(prompt_depth_url, stream=True).raw)

inputs = image_processor(images=image, return_tensors="pt", prompt_depth=prompt_depth)
with torch.no_grad():
    outputs = model(**inputs)
post_processed_output = image_processor.post_process_depth_estimation(
    outputs,
    target_sizes=[(image.height, image.width)],
)

predicted_depth = post_processed_output[0]["predicted_depth"]

📄 ライセンス

このプロジェクトはApache-2.0ライセンスの下で提供されています。

📚 引用

このプロジェクトが役に立った場合は、以下のように引用を検討してください。

@inproceedings{lin2024promptda,
  title={Prompting Depth Anything for 4K Resolution Accurate Metric Depth Estimation},
  author={Lin, Haotong and Peng, Sida and Chen, Jingxiao and Peng, Songyou and Sun, Jiaming and Liu, Minghuan and Bao, Hujun and Feng, Jiashi and Zhou, Xiaowei and Kang, Bingyi},
  journal={arXiv},
  year={2024}
}