BrickFlow là mô hình từ bài báo NeurIPS 2026 của Peter Kulits và Cordelia Schmid: đầu vào là mã số và màu sắc của các chi tiết (định dạng LDraw), sử dụng bộ khử nhiễu khớp dòng chảy (flow matching denoiser) để lấy mẫu vị trí và hướng cho từng viên gạch, sau đó căn chỉnh và gắn kết dựa trên các mối nối; phiên bản điều kiện hình ảnh (IC) còn có thể sắp xếp theo một bức ảnh tham chiếu. Có ba phiên bản trọng số được huấn luyện trước là S, B, L cùng với các phiên bản điều kiện hình ảnh tương ứng, trong đó phiên bản IC-L lớn nhất chiếm 2.48 GiB. Kèm theo công cụ đánh giá, có thể kiểm tra xem kết quả có liên kết thành một khối thống nhất hay không và liệu có các chi tiết bị xuyên thấu lẫn nhau hay không.
Tại sao quan trọng: Hầu hết các mô hình tạo ảnh sang 3D đều xuất ra dạng lưới hoặc đám mây điểm; phương pháp này trực tiếp cung cấp giải pháp khối LDraw, hướng dẫn dựa trên các mối kết nối, đồng thời có thể kiểm tra xem các khối đã được liên kết thành một thể thống nhất hay chưa và liệu có xảy ra va chạm không.
Hug Face Likes 2 · Hug Face Upvotes 2 · Hug Face Downloads 0
Giấy phép: Được phép sử dụng thương mại · ComfyUI: Chưa có · VRAM: Không ghi rõ
Lý do
- Giấy phép MIT, gói pip, bộ dữ liệu, mã huấn luyện và đánh giá đều được công khai
Cách sử dụng
- pip install brick-flow, python -m brickflow fetch để tải các tệp mặc định, sau đó python -m brickflow fetch weights/ic-l; đặt hình ảnh của bạn và danh sách chi tiết .ldr cùng tên vào cùng một thư mục (ví dụ: photos/duck.png và photos/duck.ldr), chạy python -m brickflow sample weights/ic-l.pt photos --pt weights/pt-l.pt --samples 4 --guidance --out duck
Rủi ro
- Bạn cần tự chuẩn bị danh sách chi tiết trước, mô hình chỉ chịu trách nhiệm sắp xếp; phiên bản điều kiện hình ảnh phụ thuộc vào DINOv3, yêu cầu đăng nhập và đồng ý với các điều khoản
- Thẻ mô hình không ghi rõ yêu cầu VRAM, tải xuống mặc định khoảng 3.81 GiB; không có demo trực tuyến