VGGT 1B

🚀 VGGT: Visual Geometry Grounded Transformer

Visual Geometry Grounded Transformer（VGGT）は、シーンのすべての重要な3D属性を、1つ、数個、または数百個のビューから数秒で直接推論するフィードフォワードニューラルネットワークです。これには、カメラの外部パラメータと内部パラメータ、点マップ、深度マップ、および3D点トラックが含まれます。

🚀 クイックスタート

詳細は、Githubリポジトリを参照してください。

📄 ライセンス

このプロジェクトは、CC BY-NC 4.0ライセンスの下で公開されています。

📚 ドキュメント

概要

Visual Geometry Grounded Transformer（VGGT、CVPR 2025）は、シーンのすべての重要な3D属性を、1つ、数個、または数百個のビューから数秒で直接推論するフィードフォワードニューラルネットワークです。これには、カメラの外部パラメータと内部パラメータ、点マップ、深度マップ、および3D点トラックが含まれます。

関連リンク

• 論文PDF
• arXiv:2503.11651
• プロジェクトページ
• Hugging Faceデモ

著者

• Meta AI Research
• University of Oxford, VGG

著者名

• Jianyuan Wang
• Minghao Chen
• Nikita Karaev
• Andrea Vedaldi
• Christian Rupprecht
• David Novotny

📚 引用

もしこのリポジトリが役に立った場合は、スターをつけていただき、論文を引用していただけると幸いです。

@inproceedings{wang2025vggt,
  title={VGGT: Visual Geometry Grounded Transformer},
  author={Wang, Jianyuan and Chen, Minghao and Karaev, Nikita and Vedaldi, Andrea and Rupprecht, Christian and Novotny, David},
  booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition},
  year={2025}
}