PonderV2

统一 3D 预训练范式，让模型从无标注数据中学会通用特征

PonderV2 是一个面向 3D 视觉基础模型的开源预训练框架，发表于 T-PAMI 2025。它提出一种通用的预训练范式，旨在解决 3D 模型训练数据稀缺、泛化能力弱的问题。核心能力包括：支持多种 3D 数据表示（点云、体素等），通过自监督学习从大规模无标注数据中提取通用特征，并适配下游任务（如分割、检测）。项目提供完整的训练和评估代码，基于 PyTorch 实现，便于研究者复现和扩展。其创新点在于统一了不同 3D 任务的预训练流程，降低了对人工标注的依赖，为 3D 基础模型的发展铺平道路。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 377

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队OpenGVLab

所属国家

官网地址

GitHubhttps://github.com/OpenGVLab/PonderV2

定价模式free

价格说明开源项目，基于MIT许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型3d-vision,foundation-models,pretraining

GitHub 星标★ 377

30天Star增速

HF 下载量

上线时间2023-10-13 00:00:00

最近更新2026-08-20 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数4

使用教程

核心亮点

提出通用预训练范式，统一多种 3D 数据表示，适配分割、检测等任务
自监督学习减少对人工标注依赖，利用大规模无标注 3D 数据
代码开源，基于 PyTorch，提供完整训练评估流程，易于复现

不足之处

项目较新，文档和社区支持待观察
预训练模型体积可能较大，训练资源需求高

适用场景

3D 点云分割与检测任务的基础模型预训练
机器人视觉感知中的 3D 场景理解
自动驾驶中 LiDAR 数据的通用特征提取

替代项目

Point-BERT、Point-M2AE、ULIP

项目介绍

PonderV2 是计算机视觉领域的开源项目，由 OpenGVLab 开发，2023 年首次发布。

它收录于计算机视觉分类，该分类目前共有 447 个项目，GitHub 星标数为 377。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-08-20。基于MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：3D点云分割与检测任务的基础模型预训练。同类可对比的替代方案包括 Point-BERT、Point-M2AE、ULIP。

上一篇：Remote-Sensing-RVSA

下一篇：STU-Net