新闻详情

新闻详情

首页 / 资讯中心 / 详情

3DGS训练工具Spirula Studio的GPLv3许可与SAM权重法律边界:新手必读的完整合规指南

发布时间:2026/11/17 14:53:55来源:尧图网络
3DGS训练工具Spirula Studio的GPLv3许可与SAM权重法律边界:新手必读的完整合规指南
3DGS训练工具Spirula Studio的GPLv3许可与SAM权重法律边界新手必读的完整合规指南【免费下载链接】spirula-studioCross-vendor 3D Gaussian Splatting trainer - video to splat to mesh, Vulkan or CUDA.项目地址: https://gitcode.com/GitHub_Trending/sp/spirula-studioSpirula Studio 是一款跨厂商的3D Gaussian Splatting3DGS训练工具支持从视频到点云再到网格video to splat to mesh的全流程基于 Vulkan/CUDA 运行。它的主程序代码采用GPLv3 许可内置 AI 分割所需SAM 权重则受 Meta 的独立许可证约束——理解这两套许可的边界是合规使用该项目的第一步。一、GPLv3 许可你能做什么不能做什么项目的完整许可证文本位于仓库根目录的 LICENSEREADME 中也以 GPLv3 徽标明确标注见 README.md。GPLv3 是一款“自由且带 Copyleft著佐权”的许可证对新手而言核心就三点维度说明✅ 自由使用个人与商业用途均可免费运行、修改无需付费✅ 自由修改可以改造代码、开发新功能并可将其集成到自己的 GPL 程序中⚠️ 著佐义务一旦分发含二次分发修改后的程序必须以 GPLv3 开源全部对应源码并保留版权声明通俗地说只用不分发 → 基本没有额外义务分发再版 → 你的衍生程序也必须以 GPLv3 开源。如果希望把它的代码闭源链接进商业软件GPLv3 不允许这样做——这是它与宽松许可如 Apache-2.0最大的区别。二、SAM 权重GPLv3 之外的“特殊法律边界”Spirula Studio 的 AI 分割masking功能需要 Meta 的 SAM 模型权重这部分不属于项目的 GPLv3而是各自遵循 Meta 的许可SAM 2 / 2.1Apache-2.0标准宽松许可合规负担小SAM 3Meta 自有的非标准许可与 GPLv3不兼容详见 src/sam/README.md 中的许可对照表。正因为 SAM 3 权重与 GPLv3 不兼容项目采取了明确的隔离策略权重永不打包进程序——仓库和发行版中都不含模型文件从根上避免了“GPL 程序 不兼容权重”的捆绑运行时按需下载——GUI 首次使用时才获取权重并缓存到本地策略实现在 src/app/gui/ModelCache.h下载前展示条款——GUI 会先向你显示该模型族的许可条款SAM 3 需要勾选确认确认记录保存在设置文件中命令行用户自管自留——CLI 下用--model指向你自己下载的权重文件程序“不代劳”。这套“一段话 一个勾选框”的设计正是为了让新手也能看懂为什么会被要求确认许可条款。三、其他值得注意的合规细节 除了 SAM 权重项目还主动管理了两类第三方合规风险视频解码专利内置的 H.264 / H.265 / AV1 GPU 解码器带有第三方专利暴露面因此仅在编译时显式传入-DSS_ENABLE_PATENTEDON才会启用默认关闭。关闭后自动回退到外部 ffmpeg规避合规责任——选项定义见 cmake/SsOptions.cmake 与 src/video/README.md。若你开启该选项需自行确保符合当地的 AVC/HEVC 专利法律。其余 AI 模型Grounding DINO 检测器权重为 Apache-2.0见 src/gdino/README.mdMoGe、Metric3D 等深度/几何模型则使用作者自行导出的权重见 src/moge/README.md、src/metric3d/README.md均通过运行时缓存机制管理。四、新手合规速查清单 场景合规要点个人学习/内部使用直接运行即可GPLv3 不限制私用GUI 下载 SAM 权重时留意条款勾选二次开发并分发衍生程序须以 GPLv3 开源源码保留原版权声明商业闭源集成GPLv3 代码不可闭源链接如需商用建议联系版权方获取额外授权自建 GPU 解码默认关闭专利编码开启SS_ENABLE_PATENTED后合规责任归你使用 SAM 3 权重遵守 Meta 的 SAM 3 许可非开源与项目 GPLv3 互不传染 一句话总结Spirula Studio 本体 GPLv3分发再版须开源SAM 权重 Meta 各自许可用时需同意条款、不可捆绑分发。只要分清“程序”与“权重”这两条线绝大多数使用场景都能安心合规。【免费下载链接】spirula-studioCross-vendor 3D Gaussian Splatting trainer - video to splat to mesh, Vulkan or CUDA.项目地址: https://gitcode.com/GitHub_Trending/sp/spirula-studio创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉