<p align="center"> <h1 align="center">几何变换注意力机制</h1> <p align="center"> <a href="https://takerum.github.io/">Takeru Miyato</a> · <a href="https://kait0.github.io/">Bernhard Jaeger</a> · <a href="https://staff.fnwi.uva.nl/m.welling/">Max Welling</a> · <a href="https://www.cvlibs.net/">Andreas Geiger</a> </p> <h3 align="center"><a href="https://openreview.net/forum?id=uJVHygNeSZ">OpenReview</a> | <a href="https://arxiv.org/abs/2310.10375">arXiv</a> | <a href="https://takerum.github.io/gta/">项目主页</a> </h3> <p align="center"> <img width="180" alt="gta_mech" src="https://github.com/autonomousvision/gta/assets/11573649/939bc44b-3fde-48b8-96ce-4f68c6c55ccd"> </p> </p>

我们ICLR2024工作的官方复现代码："GTA: 多视角Transformer的几何感知注意力机制"，一种简单的方法来让您的多视角Transformer更具表现力！

(2024年3月15日)：GTA机制对于图像生成这一纯2D任务也很有效。您可以在我们的准备就绪论文中找到实验细节，并在此分支中找到实现。

内容

本仓库包含以下不同的代码库，可以通过切换到相应的分支来访问：

CLEVR-TR和MSN-Hard上的新视角合成实验（本分支）
ACID和RealEstate上的新视角合成实验（链接）
使用扩散Transformer (DiT) 进行ImageNet生成（链接）

您可以在这里找到多视角ViT的GTA代码，在这里找到图像ViT的GTA代码。

如果您有任何问题，请随时与我们联系！

设置

1. 创建环境并安装Python库

conda create -n gta python=3.9
conda activate gta
pip3 install -r requirements.txt

2. 下载数据集

export DATADIR=<path_to_datadir>
mkdir -p $DATADIR

CLEVR-TR

从此链接下载数据集并将其放在$DATADIR下

MultiShapeNet Hard (MSN-Hard)

gsutil -m cp -r gs://kubric-public/tfds/kubric_frames/multi_shapenet_conditional/2.8.0/ ${DATADIR}/multi_shapenet_frames/

*预训练模型（MSN-Hard预训练模型即将上传）

CLEVR-TR: 链接
MSN-Hard: 链接

训练

CLEVR-TR

torchrun --standalone --nnodes 1 --nproc_per_node 4 train.py runs/clevrtr/GTA/gta/config.yaml  ${DATADIR}/clevrtr --seed=0

MSN-Hard

torchrun --standalone --nnodes 1 --nproc_per_node 4 train.py runs/msn/GTA/gta_so3/config.yaml  ${DATADIR} --seed=0

PSNR、SSIM和LPIPS的评估

python evaluate.py runs/clevrtr/GTA/gta/config.yaml ${DATADIR}/clevrtr $PATH_TO_CHECKPOINT # CLEVR-TR
python evaluate.py runs/msn/GTA/gta_so3/config.yaml ${DATADIR} $PATH_TO_CHECKPOINT # MSN-Hard

致谢

本仓库建立在@stelzner创建的SRT和OSRT之上。我们要感谢他为SRT模型的开源贡献。我们还要感谢@lucidrains提供J矩阵的值，这些值对于高效计算SO(3)的不可约表示是必需的。

引用

@inproceedings{Miyato2024GTA,
    title={GTA: A Geometry-Aware Attention Mechanism for Multi-View Transformers},
    author={Miyato,Takeru and Jaeger, Bernhard and Welling, Max and Geiger, Andreas},
    booktitle={International Conference on Learning Representations (ICLR)},
    year={2024}
}