Home Progetti EmerNeRF
EmerNeRF

EmerNeRF

di NVlabs · GitHub

Implementazione PyTorch di EmerNeRF: Decomposizione spaziale-temporale emergente della scena tramite auto-supervisione

Visualizza su GitHub
In parole semplici

Esegui un programma che analizza e comprende scene da dati di guida utilizzando l'apprendimento auto-supervisionato.

⭐ Stelle
🍴 Fork
📜 Licenza
Licenza non specificata
📅 Creato
🔄 Ultimo commit
🏷️ Categoria
💻 Lingua
Mantieni questo progetto?

Rivendica la sua pagina: indicizzata qualunque sia il rango, tradotta in sei lingue e arricchita con le tue parole.

Rivendica questa pagina →
EmerNeRF — GitHub preview card
📈 Storia delle stelle
640639
2026-07-202026-07-29
📈 Segui EmerNeRF

Ricevi un avviso via email alla prossima release o quando decolla — non perderti nulla.

Gratis · senza carta · disdici quando vuoi
Ricevi avvisi via email →
📄 Informazioni

Implementazione PyTorch di EmerNeRF: Decomposizione spaziale-temporale emergente della scena tramite auto-supervisione

EmerNeRF ha 639 stelle su GitHub. È stato forkato 49 volte. EmerNeRF è scritto principalmente in Python. È in sviluppo attivo dal 2023. I suoi temi principali sono: autonomous-driving, driving, foundation-models, nerf.

Frequently asked questions

Che cos'è EmerNeRF?

Implementazione PyTorch di EmerNeRF: Decomposizione spaziale-temporale emergente della scena tramite auto-supervisione

EmerNeRF è open source?

EmerNeRF è un progetto open source.

EmerNeRF è gratuito?

Sì. EmerNeRF è gratuito e open source: puoi usarlo, modificarlo e ospitarlo autonomamente.

In quale linguaggio è scritto EmerNeRF?

EmerNeRF è scritto principalmente in Python.

🏅 Manutentore di questo progetto?
OpenSourceAI badge — EmerNeRF

Aggiungi questo badge live al tuo README — le tue stelle GitHub e il ranking della directory, aggiornati quotidianamente.

[![OpenSourceAI](https://opensourceai.tech/badge.php?tool=nvlabs-emernerf)](https://opensourceai.tech/project/nvlabs-emernerf.html)
Altre opzioni di badge →
🧬 Condivide il DNA con🧬 Vedi la mappa del DNA →

Misurato dai topic GitHub comuni a entrambi i progetti, ponderati per la loro rarita.