FRUC восстанавливает динамические 3D-сцены дорожного движения по изображениям с нескольких некалиброванных автомобилей, включая скрытые зоны.
0скачиваний за 30 дней1лайквеса обновлены6 окт 2026
Бенчмарки
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Публичные оценки
Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.
В подключённых источниках результатов для этой модели пока нет.
Что умеет модель
Описание составлено по карточке модели и метаданным Hugging Face
FRUC — модель для восстановления динамических 3D-сцен дорожного движения по совместным изображениям с нескольких автомобилей. Она реализует feedforward-фреймворк на основе 3D Gaussian Splatting для реконструкции по некалиброванным данным, используя эгоцентричное причинное поле окклюзий и межагентное подавление остаточного шума, чтобы заполнять слепые зоны и сохранять геометрию, подтверждённую наблюдениями.
Модель предназначена для исследовательских и прикладных сценариев реконструкции дорожной обстановки по изображениям с нескольких транспортных средств. В репозитории доступны предварительно обученные веса в формате PyTorch. Лицензия, конкретные требования к входным изображениям и количественные показатели качества в предоставленных материалах не описаны.
Сценарии применения
реконструкция динамичной дорожной сцены по совместным изображениям автомобилей
восстановление геометрии дорожной обстановки из некалиброванных ракурсов
заполнение слепых зон в сцене по наблюдениям других автомобилей
Ограничения
Работа модели описана для некалиброванных совместных видов дорожной обстановки; применимость к другим типам сцен не установлена. В предоставленной карточке нет сведений о лицензии и количественных результатах оценки.
Карточка модели
README от автора на Hugging Face, как он его опубликовал
FRUC is a feedforward 3D Gaussian Splatting framework for dynamic scene reconstruction from uncalibrated collaborative driving views. It introduces an ego-centric causal occlusion field and cross-agent latent residual denoising to complete blind spots while preserving reliably observed geometry. Pretrained weights are available in this repository.
For installation, training, and inference instructions, please refer to the GitHub README.
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров