aitviewer
1.13.0
Eine Reihe von Tools zur Visualisierung und Interaktion mit Sequenzen von 3D-Daten mit plattformübergreifender Unterstützung für Windows, Linux und macOS. Alle Details finden Sie auf der offiziellen Seite unter https://eth-ait.github.io/aitviewer.
Grundinstallation:
pip install aitviewerBeachten Sie, dass dadurch die GPU-Version von PyTorch nicht automatisch installiert wird. Wenn Ihre Umgebung es bereits enthält, können Sie loslegen, andernfalls installieren Sie es manuell.
Oder lokal installieren (wenn Sie Code erweitern oder ändern müssen)
git clone [email protected]:eth-ait/aitviewer.git
cd aitviewer
pip install -e .Unter macOS mit Apple Silicon wird die Verwendung von PyQt6 empfohlen. Bitte überprüfen Sie dieses Problem für Installationsanweisungen.
Informationen zur erweiterten Installation und zur Installation von SMPL-Karosseriemodellen finden Sie in der Dokumentation.
Native Python-Schnittstelle, einfach zu verwenden und zu hacken.
Laden Sie SMPL[-H/-X] / MANO / FLAME / STAR / SUPR-Sequenzen und zeigen Sie sie in einem interaktiven Viewer an.
Headless-Modus für Server-Rendering von Videos/Bildern.
Remote-Modus zur blockierungsfreien Integration von Visualisierungscode.
Rendern Sie 3D-Daten über Bildern mithilfe von Kameramodellen mit schwacher Perspektive oder OpenCV.
Animierbare Kamerapfade.
Bearbeiten Sie SMPL-Sequenzen und Posen manuell.
Vorgefertigte renderbare Grundelemente (Zylinder, Kugeln, Punktwolken usw.).
Integrierte erweiterbare GUI (basierend auf Dear ImGui).
Screenshots, Videos und Plattenspieleransichten exportieren (als mp4/gif)
Leistungsstarke ModernGL-basierte Rendering-Pipeline (läuft auf den meisten Laptops mit mehr als 100 Bildern pro Sekunde).
Zeigen Sie eine SMPL-T-Pose an (erfordert SMPL-Modelle):
from aitviewer.renderables.smpl import SMPLSequencefrom aitviewer.viewer import Viewerif __name__ == '__main__':v = Viewer()v.scene.add(SMPLSequence.t_pose())v.run()
Eine Auswahl von Projekten, die den aitviewer verwenden. Teilen Sie uns mit, ob Sie zu dieser Liste hinzugefügt werden möchten!
Fan et al., HOLD: Category-agnostic 3D Reconstruction of Interacting Hands and Objects from Video, CVPR 2024
Braun et al., Physically Plausible Full-Body Hand-Object Interaction Synthesis, 3DV 2024
Zhang und Christen et al., ArtiGrasp: Physically Plausible Synthesis of Bi-Manual Dexterous Greif and Articulation, 3DV 2024
Kaufmann et al., EMDB: The Electromagnetic Database of Global 3D Human Pose and Shape in the Wild, ICCV 2023
Shen und Guo et al., X-Avatar: Expressive Human Avatars, CVPR 2023
Sun et al., TRACE: 5D Temporal Regression of Avatars with Dynamic Cameras in 3D Environments, CVPR 2023
Fan et al., ARCTIC: A Dataset for Dexterous Bimanual Hand-Object Manipulation, CVPR 2023
Dong und Guo et al., PINA: Lernen eines personalisierten impliziten neuronalen Avatars aus einer einzelnen RGB-D-Videosequenz, CVPR 2022
Dong et al., Shape-aware Multi-Person Pose Estimation from Multi-view Images, ICCV 2021
Kaufmann et al., EM-POSE: 3D Human Pose Estimation from Sparse Electromagnetic Trackers, ICCV 2021
Vechev et al., Computational Design of Kinesthetic Garments, Eurographics 2021
Guo et al., Human Performance Capture from Monocular Video in the Wild, 3DV 2021
Wenn Sie diese Software verwenden, geben Sie sie bitte wie folgt an.
@software{Kaufmann_Vechev_aitviewer_2022,
author = {Kaufmann, Manuel and Vechev, Velko and Mylonopoulos, Dario},
doi = {10.5281/zenodo.10013305},
month = {7},
title = {{aitviewer}},
url = {https://github.com/eth-ait/aitviewer},
year = {2022}
}Diese Software wurde von Manuel Kaufmann, Velko Vechev und Dario Mylonopoulos entwickelt. Bei Fragen erstellen Sie bitte ein Problem. Wir begrüßen und ermutigen Modul- und Feature-Beiträge aus der Community.
