EN DIRECT
Google présente "Gemini 4 Carbon", nouvelle étape de sa gamme de modèles28/10/26 · Google|DeepMind dévoile Genie 4, une nouvelle génération de modèle de monde27/10/26 · Google DeepMind|Anthropic dépose son dossier d'introduction en bourse, dominé par les risques26/10/26 · Anthropic|Une politique robotique entraînée uniquement en simulation égale les meilleurs systèmes réels26/10/26|OpenAI dévoile GPT-6.1 Terra, un modèle taillé pour l'usage d'ordinateur26/10/26 · OpenAI|L'IA de Google reste évasive sur l'issue de l'élection américaine de 202028/10/26 · Google|NVIDIA dévoile Nemotron 3.5 Transcribe, un modèle de transcription multilingue pilotable par prompt28/10/26 · NVIDIA|OpenAI et ServiceNow élargissent leur partenariat autour des workflows d'entreprise28/10/26 · OpenAI|Des start-ups défuntes revendent leurs données pour entraîner des IA28/10/26|Anthropic élargit son programme AI for Science à 20 fondations et instituts de recherche28/10/26 · Anthropic|Anthropic détaille les premiers résultats de Claude appliqué au développement de médicaments27/10/26 · Anthropic|GEPA-Curator : filtrer les échecs pour mieux entraîner les agents LLM27/10/26|Google présente "Gemini 4 Carbon", nouvelle étape de sa gamme de modèles28/10/26 · Google|DeepMind dévoile Genie 4, une nouvelle génération de modèle de monde27/10/26 · Google DeepMind|Anthropic dépose son dossier d'introduction en bourse, dominé par les risques26/10/26 · Anthropic|Une politique robotique entraînée uniquement en simulation égale les meilleurs systèmes réels26/10/26|OpenAI dévoile GPT-6.1 Terra, un modèle taillé pour l'usage d'ordinateur26/10/26 · OpenAI|L'IA de Google reste évasive sur l'issue de l'élection américaine de 202028/10/26 · Google|NVIDIA dévoile Nemotron 3.5 Transcribe, un modèle de transcription multilingue pilotable par prompt28/10/26 · NVIDIA|OpenAI et ServiceNow élargissent leur partenariat autour des workflows d'entreprise28/10/26 · OpenAI|Des start-ups défuntes revendent leurs données pour entraîner des IA28/10/26|Anthropic élargit son programme AI for Science à 20 fondations et instituts de recherche28/10/26 · Anthropic|Anthropic détaille les premiers résultats de Claude appliqué au développement de médicaments27/10/26 · Anthropic|GEPA-Curator : filtrer les échecs pour mieux entraîner les agents LLM27/10/26|
AppNouveauéditeur officiel

Mira-Scene

App : Un produit que vous utilisez directement

Reconstruit une scène 3D éditable à partir d'une seule photo : chaque objet est modélisé séparément puis replacé à sa position et à son échelle.

Le choix pour transformer la photo d'une pièce ou d'un décor en scène 3D manipulable objet par objet, en local et sous licence MIT. C'est un pipeline de recherche à installer en Python avec un GPU NVIDIA ; pour un objet isolé à imprimer, un générateur comme TRELLIS.2 reste plus direct.

Score global
6.4 /10
Sécu : une réserve, lire la fiche
Utilité
6.0
Fiabilité
10.0
Sécurité
Une réserve
Facilité
Technique · Technique

La sécurité reflète la destination des données, les permissions demandées et les incidents recensés à la date de vérification. Ce n’est pas une garantie d’absence de risque : vérifiez le mode de déploiement et les connexions que vous activez.

Ce que ça fait, concrètement

Reconstruire une scène 3D complète à partir d'une seule photographie est un problème difficile : les outils existants traitent souvent la scène comme un bloc indissociable, ce qui empêche toute modification objet par objet. Mira-Scene résout ce problème en produisant une scène où chaque objet est modélisé séparément, positionné et mis à l'échelle correctement.

Le pipeline enchaîne plusieurs étapes automatiques : segmentation interactive des instances, estimation de profondeur, prédiction de coordonnées canoniques et de voxels, génération de maillages 3D pour chaque objet, assemblage de la scène et génération d'une carte d'environnement. L'exécution est découpée en étapes reprises là où elles s'arrêtent, et peut être répartie sur plusieurs GPU.

Mira-Scene s'adresse aux chercheurs, développeurs et utilisateurs avancés capables d'installer un pipeline Python avec des dépendances GPU. Les modèles pré-entraînés sont disponibles sur Hugging Face, le code et les données de réglage fin sont publiés en open source sous licence MIT.

Ce n'est pas un outil pour les débutants ni pour un usage rapide : il n'existe pas d'interface graphique, l'installation requiert un GPU NVIDIA, et la prise en main suppose une familiarité avec Python et la ligne de commande.

Ce que ça propose

  • ·Reconstruction d'une scène 3D éditable objet par objet à partir d'une seule image.
  • ·Segmentation interactive des instances pour isoler chaque objet dans la photo source.
  • ·Estimation de profondeur et prédiction de coordonnées canoniques pour replacer chaque objet à sa position et à son échelle réelles.
  • ·Génération de maillages 3D avec prise en charge de plusieurs moteurs de profondeur et de maillage interchangeables.
  • ·Assemblage automatique de la scène et génération d'une carte d'environnement.
  • ·Exécution reprises par étapes (pipeline resumable) avec répartition possible sur plusieurs GPU.
  • ·Modèles pré-entraînés (checkpoint étape 1 et étape 2) disponibles sur Hugging Face.
  • ·Données de réglage fin et outils d'évaluation et de visualisation publiés en open source.

En pratique

Prix
GratuitGratuit et open source (MIT) ; seul le matériel GPU coûte.
Usage commercial
Usage commercial : oui
Disponible sur
cli
Licence
MIT
Interface FR
Non

Sécurité et données

Pastille
Sécu : une réserve, lire la fiche
Vos données
Données en local
Permissions
Tourne en local, vos photos ne sortent pas de la machine. Le visualiseur web fourni écoute sur toutes les interfaces (0.0.0.0) sans authentification : ne l'exposez pas sur un réseau non maîtrisé.
Maintenance
Active

Liens et dépôt vérifiés le 25 octobre 2026 · ajoutée le 29 septembre 2026

Comment installer Mira-Scene

1. Clonez le dépôt : git clone https://github.com/VAST-AI-Research/Mira-Scene 2. Installez les dépendances Python requises (GPU NVIDIA nécessaire) en suivant le guide d'installation du dépôt. 3. Téléchargez les checkpoints pré-entraînés depuis Hugging Face (https://huggingface.co/Yang-Tian/Mira-Scene). 4. Lancez l'inférence en suivant le guide infer_scripts/README.md. 5. Pour la visualisation, consultez visualization/README.md et ne lancez le visualiseur web que sur un réseau local maîtrisé (il écoute sur 0.0.0.0 sans authentification).
git clone https://github.com/VAST-AI-Research/Mira-Scene

Documentation officielle ↗

Dans la même catégorie

Toute la catégorie 3D & impression →