视觉与 3D
共 98 个仓库 · C++
基于视觉惯性里程计的实时 SLAM 系统，能在 CPU 上完成定位、建图并生成三维网格，适合机器人与状态估计场景。
实时稠密视觉 SLAM 系统，用 RGB-D 相机在线重建房间级三维场景，适合做实时建图与稠密重建研究。
基于点云的 3D 定位与建图框架，支持 LiDAR、IMU 和 GPU 加速，可在 ROS/ROS2 下做 SLAM 与全局定位。
基于 TensorRT 的 YOLO 系列模型部署工具包，支持检测、分割、姿态估计和旋转框检测，帮你在 NVIDIA 显卡上把推理跑得更快更省事。
轻量级 C++11 纯头文件李群李代数库，为机器人、SLAM 和计算机视觉提供 2D/3D 位姿与几何运算支持。
紧耦合的稀疏直接法激光雷达-惯性-视觉里程计，为机器人和自动驾驶提供快速、高精度的实时位姿估计与三维建图。
实时鲁棒的激光雷达-惯性测量单元初始化方法，为 LiDAR-惯性 SLAM 系统提供高精度外参标定与初始状态估计，解决启动阶段对齐不准的问题。
基于 NVIDIA cuVSLAM 加速的 ROS 视觉 SLAM 与里程计包，在 Jetson 和 GPU 上实时完成机器人定位与建图。
基于 TensorRT 和 CUDA 加速 YOLO 系列模型部署的 C++ 示例库，覆盖检测、姿态、分割、深度估计、OBB 和分类等任务，帮你在 NVIDIA 显卡上把推理跑得更快。
Matterport3D 是一个面向 RGB-D 机器学习任务的大规模室内场景数据集，提供带标注的 3D 重建与语义理解数据，适合训练和评测场景重建模型。
ZED SDK 是 Stereolabs 为 ZED 立体相机提供的空间感知开发套件，支持实时深度估计、SLAM、点云和人体姿态估计，帮助快速搭建智能机器人与空间感知应用。
用 C++20 实现、带 Python 绑定的跨平台 3D 图形库，API 风格对齐 three.js，方便在原生和 Web 环境复用同一套高层接口做渲染与物理仿真。
AirSLAM 是面向视觉定位的 SLAM 系统，融合 SuperPoint 与 SuperGlue 做特征提取和匹配，为机器人在未知环境中提供实时位姿估计与建图。
仅用激光雷达或激光-惯性融合的高鲁棒、高精度里程计，为机器人和自动驾驶提供可靠定位与建图，应对退化场景和传感器不确定性。
把 Ultralytics YOLOv8 到 YOLOv12 系列模型封装成 ROS 2 节点，让机器人项目能直接调用目标检测、实例分割、姿态估计和跟踪能力。
轻量级 C++ 点云处理库，提供聚类、模型拟合、ICP 配准、凸包与三维可视化等算法，适合在 C++ 项目中直接集成点云处理能力。
面向 3D 激光雷达点云的快速地面分割算法，能在复杂场景下稳健剔除地面点，为后续检测与建图提供干净的非地面点云。
从多视角立体图像给三维重建模型自动生成纹理贴图，解决重建网格缺少真实感表面外观的问题。
轻量级 LiDAR-惯性里程计算法，用由粗到细的连续时间轨迹构建做精确运动校正，为机器人和 SLAM 提供实时定位与建图。
收录 3D 目标跟踪方向的论文与配套 C++ 算法实现，覆盖多体、铰接物体、多模态和实时位姿估计，方便复现和对比各类方法。
Niantic 开源的 3D 高斯泼溅压缩文件格式，体积比 PLY 小约 10 倍，视觉质量几乎无损，适合存储和分发大规模 3DGS 场景。
用点、线、面、消失点等结构化几何特征做三维视觉建图、定位和 SfM 的 C++ 工具箱，弥补纯点特征在低纹理场景下的不足。
基于 LIO-SAM 改造的激光惯性 SLAM 方案，支持 6 轴 IMU 和 GNSS 融合，解决低成本 6 轴 IMU 无法直接跑原版 LIO-SAM 的问题。
用 C 和 CUDA 写的 YOLO 目标检测框架，能在本地训练和推理，适合需要轻量、可嵌入的实时检测场景。