IT之家 · 智能时代T2·基座大模型
78 分
地平线机器人实验室发布原生视频几何基础模型 LoFT,采用双循环 Transformer 架构,从 RGB 视频中联合预测相机位姿、内参及逐帧深度,恢复场景三维结构。模型基于约 297 万条训练序列、9.62 亿帧图像构建,在 SpatialBench、ClassicBench 与 VRBench 三套评测中多项指标达到 SoTA,面向机器人空间感知与具身学习。
原生视频几何基础模型,从 RGB 视频联合预测相机位姿、内参与逐帧深度
地平线机器人实验室发布原生视频几何基础模型 LoFT,采用双循环 Transformer 架构,从 RGB 视频中联合预测相机位姿、内参及逐帧深度,恢复场景三维结构。模型基于约 297 万条训练序列、9.62 亿帧图像构建,在 SpatialBench、ClassicBench 与 VRBench 三套评测中多项指标达到 SoTA,面向机器人空间感知与具身学习。