LingBot-Map天空分割完全指南：skyseg.onnx与skyseg_batch.onnx双模型分工详解

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-map

LingBot-Map（ECCV 2026 oral，Geometric 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.onnx	skyseg_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.onnx	skyseg_batch.onnx

skyseg.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.py
• Viser 可视化封装：lingbot_map/vis/viser_wrapper.py
• 离线 GLB 导出：lingbot_map/vis/glb_export.py

skyseg_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.onnx
• RGB-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 📋

1. 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
2. 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
3. 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