Início Projetos HashNeRF-pytorch
HashNeRF-pytorch
Python

HashNeRF-pytorch

Implementação pura em PyTorch do artigo da NVIDIA sobre Treinamento Instantâneo de Primitivas Gráficas Neurais: https://nvlabs.github.io/instant-ngp/

por yashbhalgat · GitHub
Estrelas
Forks
Licença
Criado
Último commit
Linguagem
3d-reconstructionartificial-intelligencecomputer-graphicsMITPython
Ver no GitHub
Em palavras simples

Experimente um método rápido para treinar modelos gráficos 3D usando uma implementação simples do PyTorch.

Mantem este projeto?

Reivindique a sua pagina: indexada seja qual for a posicao, traduzida em seis linguas e enriquecida com as suas palavras.

Reivindicar esta pagina →
HashNeRF-pytorch — GitHub preview card
📈 Histórico de estrelas
1 0361 035
2026-07-202026-08-31
📈 Acompanhe HashNeRF-pytorch

Receba um alerta por e-mail no próximo lançamento ou quando começar a bombar.

Grátis · sem cartão · cancele quando quiser
Receber alertas por e-mail →
📄 Sobre

Implementação pura em PyTorch do artigo da NVIDIA sobre Treinamento Instantâneo de Primitivas Gráficas Neurais: https://nvlabs.github.io/instant-ngp/

HashNeRF-pytorch tem 1k estrelas no GitHub. Foi bifurcado 108 vezes. HashNeRF-pytorch é escrito principalmente em Python. Está em desenvolvimento ativo desde 2022. HashNeRF-pytorch está disponível sob a licença MIT. Os seus principais temas são: 3d-reconstruction, artificial-intelligence, computer-graphics, computer-vision.

Frequently asked questions

O que é HashNeRF-pytorch?

Implementação pura em PyTorch do artigo da NVIDIA sobre Treinamento Instantâneo de Primitivas Gráficas Neurais: https://nvlabs.github.io/instant-ngp/

HashNeRF-pytorch é de código aberto?

HashNeRF-pytorch é um projeto de código aberto. É distribuído sob a licença MIT.

HashNeRF-pytorch é gratuito?

Sim. HashNeRF-pytorch é gratuito e de código aberto — você pode usá-lo, modificá-lo e hospedá-lo por conta própria.

Sob que licença está HashNeRF-pytorch?

HashNeRF-pytorch está disponível sob a licença MIT.

Em que linguagem HashNeRF-pytorch está escrito?

HashNeRF-pytorch é escrito principalmente em Python.

🏅 Mantenedor deste projeto?
olud.ai badge — HashNeRF-pytorch

Adicione este badge ao vivo ao seu README — suas estrelas do GitHub e classificação no diretório, atualizadas diariamente.

[![olud.ai](https://olud.ai/badge.php?tool=yashbhalgat-hashnerf-pytorch)](https://olud.ai/project/yashbhalgat-hashnerf-pytorch.html)
Mais opções de badge →
🧬 Partilha ADN com🧬 Ver o mapa de ADN →
ScanNet
2.3k · 3d-reconstruction
partilhacomputer-graphics3d-reconstruction
neural-rgbd-surface-reconstruction
Implementação oficial do artigo CVPR 2022 "Reconstrução de Superfície RGB-D Neural"
631 · 3d-reconstruction
partilhacomputer-graphics3d-reconstruction
humanrf
Código oficial para "HumanRF: Campos de Radiação Neural de Alta Fidelidade para Humanos em Movi…
496 · 3d-reconstruction
partilhacomputer-graphics3d-reconstruction
Instant-angelo
Instant-angelo: Construa um Gêmeo Digital de alta fidelidade em 20 Minutos!
462 · 3d
partilhacomputer-graphics3d-reconstruction
instant-ngp
Primitivas gráficas neurais instantâneas: NeRF super rápido e mais
17.5k · 3d-reconstruction
partilhacomputer-graphics3d-reconstruction
Structured3D
[ECCV'20] Structured3D: Um Grande Conjunto de Dados Foto-realista para Modelagem 3D Estruturada
674 · 3d-reconstruction
partilhacomputer-graphics3d-reconstruction
Skyfall-GS
[ECCV 2026] Skyfall-GS: Sintetizando Cenas Urbanas 3D Imersivas a partir de Imagens de Satélite
927 · 3d-reconstruction
partilhacomputer-graphics3d-reconstruction
ECON
[CVPR'23, Destaque] ECON: Humanos Vestidos Explícitos Otimizados via Integração Normal
1.2k · 3d-reconstruction
partilhacomputer-graphics3d-reconstruction
neuralangelo
Implementação oficial de "Neuralangelo: Reconstrução de Superfície Neural de Alta Fidelidade" (…
4.6k · 3d-reconstruction
partilhacomputer-graphics3d-reconstruction
LongSplat
[ICCV 2025] LongSplat: Splatting Gaussiano 3D Robusto e Não Posicionado para Vídeos Longos Casu…
794 · 3d-gaussian-splatting
partilhacomputer-graphics3d-reconstruction

Medido a partir dos topics do GitHub comuns aos dois projetos, ponderados pela sua raridade.