​​Torch-Points3D — это опенсорсный модульный фреймворк для обучения нейросетевых моделей на 3D облаках точек. Torch-Points3D имеет функционал для решения таких задач, как классификация, сегментация, распознавание объектов, регистрация облаков точек, заполнение и другие. Доступные архитектуры нейросетевых моделей включают в себя PointNet, PointNet++, PointCNN, RSConv, VoteNet и PPNet. Среди доступных датасетов — Scannet, S3DIS, Shapenet, SemanticKitty, 3DMatch, ModelNet и Kitty Odometry.

​​Imaginaire — это библиотека на PyTorch с генеративными моделями для задач генерации изображений и видеозаписей. Библиотеку разрабатывают исследователи из NVIDIA. Imaginaire содержит оптимизированные имплементации state-of-the-art моделей, основанных на GAN.

Интересный девайс

https://www.youtube.com/watch?v=6bqBsHSwPgw

Статья-введение в область "искусственной жизни" (artificial life) для подкованных в ИИ. Область имеет много любопытных последствий для дизайна, автоматизированных систем и.т.п.

https://thegradient.pub/an-introduction-to-artificial-life-for-people-who-like-ai/

Классные стилизованные ИИ-портреты от SketchAR. Отлично попадают в определенный стиль. Говорят, что можно будет даже делать анимацию. Еще одно хорошее применение нейронок.

https://github.com/lucidrains/lightweight-gan
Я не тестила, но выглядит как мечта.
Ган, сходящийся за несколько часов на одном гпу на разрешении 1024 с 1к картинок.
Если потестите, делитесь в комментах.
* open review
#gan

вот эти ребята выложили под MIT лицензией морфологическую модель головы из тех же сканов, что они использовали в этой работе
https://github.com/ICT-VGL/ICT-FaceKit
#morphable_model

Особое внимание уделено зубам

https://github.com/microsoft/DiscoFaceGAN
Еще одна работа на базе стайл гана2

Abstract: We propose DiscoFaceGAN, an approach for face image generation of virtual people with DISentangled, precisely-COntrollable latent representations for identity of non-existing people, expression, pose, and illumination. We embed 3D priors into adversarial learning and train the network to imitate the image formation of an analytic 3D face deformation and rendering process. To deal with the generation freedom induced by the domain gap between real and rendered faces, we further introduce contrastive learning to promote disentanglement by comparing pairs of generated images. Experiments show that through our imitative-contrastive learning, the factor variations are very well disentangled and the properties of a generated face can be precisely controlled. We also analyze the learned latent space and present several meaningful properties supporting factor disentanglement. Our method can also be used to embed real images.

#face

Ребята делают всякий арт на стыке ml/dl и special effects.
http://ouchhh.tv/
Есть всякие интересные проекты для NASA и интерактивных выставок.
Чего только стоит визуализация T-SNE покрытого человеческой кожей.
https://vimeo.com/266870877
#art