LingBot-Map天空分割完全指南skyseg.onnx与skyseg_batch.onnx双模型分工详解【免费下载链接】lingbot-map(ECCV 2026 oral) LingBot-Map: Geometric Context Transformer for Streaming 3D Reconstruction项目地址: https://gitcode.com/GitHub_Trending/li/lingbot-mapLingBot-MapECCV 2026 oralGeometric Context Transformer for Streaming 3D Reconstruction是一款流式 3D 重建基础模型。它的**天空分割sky masking**功能使用两个 ONNX 模型完成skyseg.onnx负责单图推理skyseg_batch.onnx负责批量加速。本文用最少的话讲清二者的分工、使用位置和缓存机制帮助你在户外场景中快速过滤天空点、提升重建点云质量。为什么 LingBot-Map 需要天空分割模型 ️在户外场景重建时相机拍到的天空区域本身没有真实几何信息。如果不处理重建出的点云会漂浮着大量天空点严重影响可视化质量。LingBot-Map 的解法是用 ONNX 格式的天空分割模型对每帧图像打分把天空区域的置信度清零apply_sky_segmentation最终点云里只留下真实场景。上图为 LingBot-Map 的长序列重建效果下方户外驾驶场景正是天空分割的典型用武之地两个模型的输入预处理完全一致图像缩放到 320×320使用 ImageNet 均值/标准差归一化见 run_skyseg。唯一的本质区别在于批量能力对比项skyseg.onnxskyseg_batch.onnx输入方式每次推理 1 张图动态 batch一次推理多张图定位交互式场景逐帧处理离线批处理长序列加速典型调用方根目录 demo.py、可视化/Glb 导出demo_render/batch_demo.py、评测批处理默认路径当前目录下skyseg.onnxskyseg_batch.onnxskyseg.onnx 的使用位置交互式演示与可视化 当你运行根目录demo.py并加上--mask_sky时使用的就是skyseg.onnx参数定义见 demo.py 第 409-414 行python demo.py --model_path /path/to/checkpoint.pt --image_folder /path/to/images/ --mask_sky它的工作流程load_or_create_sky_masks是逐帧循环读图 → 推理 → 把非天空置信度缩放到原图分辨率 → 写入缓存。模型路径可以用--sky_model指定其他位置若默认文件缺失_ensure_skyseg_model 会自动下载下载失败会直接报错而非静默跳过避免你以为做了天空过滤实际没做。同样依赖skyseg.onnx的还有交互式查看器和模型导出链路3D 点云查看器lingbot_map/vis/point_cloud_viewer.pyViser 可视化封装lingbot_map/vis/viser_wrapper.py离线 GLB 导出lingbot_map/vis/glb_export.pyskyseg_batch.onnx 的使用位置离线渲染与评测批量处理 对于超长序列数帧起步到 25000 帧逐帧推理开销太大。此时离线渲染管线切换到skyseg_batch.onnx——它把 batch 维设为动态一次前向推理处理多帧。离线渲染管线一次处理 25000 帧量级的长序列天空分割批量推理是其提速关键核心实现在 run_skyseg_batch把多帧图像堆叠成(B, 3, H, W)批量推理如果某模型的 batch 维是固定的还会自动用最后一帧补齐padding后再切回真实帧数非常省心。各入口的默认配置都指向它离线批处理入口demo_render/batch_demo.py 的--skyseg_model_path默认值即skyseg_batch.onnxRGB-D 渲染配置demo_render/config/default.yaml 中preprocess.sky_model默认skyseg_batch.onnx评测离线脚本benchmark/sky_seg/seg_sky.py 的segment_batch按--batch_size分批推理显存不足时调小即可把天空掩码输出到与图像目录平级的sky_mask/文件夹255天空0非天空评测框架封装benchmark/benchmark/utils/sky_segmentation.py 默认从用户缓存目录~/.cache/benchmark/skyseg.onnx取模型单张调用户外数据集 Oxford Spires 的轨迹对比天空区域被正确排除后相机轨迹更贴合参考值缓存与可视化机制跑一次永久生效 ⚡两个模型共用同一套掩码缓存设计避免重复推理交互管线默认把掩码缓存到图像目录_sky_masks/目录内写入版本号文件.skyseg_cache_version版本常量见 sky_segmentation.py 第 28 行可用--sky_mask_dir自定义再次运行时发现掩码已存在且尺寸匹配直接复用零推理开销想直观检查分割质量加--sky_mask_visualization_dir会输出原图 掩码 红色高亮天空区域的三联图_save_sky_mask_visualization离线脚本 seg_sky.py 则逐文件跳过已生成的掩码支持断点续跑如何选择3 条判断标准 跑交互式demo.py或导出 GLB→ 用默认的skyseg.onnx缺了会自动下载无需干预跑离线长序列渲染或大批量图像→ 用skyseg_batch.onnx通过--skyseg_model_path/--sky_model指定绝对路径显存紧张时减小--batch_size只做评测前处理→ 直接用 benchmark/sky_seg/seg_sky.py 一条命令生成整目录掩码一句话总结模型算法相同、预处理相同、缓存相同区别只是单张走还是批量跑。选对模型户外场景的天空点过滤又快又干净。【免费下载链接】lingbot-map(ECCV 2026 oral) LingBot-Map: Geometric Context Transformer for Streaming 3D Reconstruction项目地址: https://gitcode.com/GitHub_Trending/li/lingbot-map创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考