ViT/L-14 почти вывозит лица.
Думаю, какой-нибудь стайлган-энкодер мог бы спасти ситуацию.

#discodiffusion

NeuralRecon: Real-Time Coherent 3D Reconstruction from Monocular Video

Дождались. Исследователи разработали метод для риал-тайм 3D реконструкции сцены с помощью айфона.

Под капотом рекуррентная сетка, которая во время сканирования фьюзит TSDF представление со всех кадров, учитывая информацию с новых кадров онлайн.

И дрифт камеры в ARKit как-то решили, и есть код!

Это прям круто!

>> Сайт проекта >> Код

Угадайте город по фотографии