Ա.Ի.

Facebook- ի նոր AI գործիքը 2D պատկերը վերափոխում է 3D մոդելների

Facebook- ի նոր AI գործիքը 2D պատկերը վերափոխում է 3D մոդելների

Երբ խոսքը վերաբերում է 3D մոդելի գնահատմանը 2D աղբյուրներից, մենք բախվում ենք անկյունի միջև առկա հակասության հիշողության հզորություն և ճշգրտություն, Մեզ անհրաժեշտ է տվյալների հոսքի կայուն քանակ `մեր մեքենաների համար բարձր համատեքստ պահպանելու համար, մինչդեռ նյարդային ցանցով ճշգրիտ մատուցման համար բարձր լուծաչափը անհրաժեշտ է: Մինչ այժմ, այս ոլորտում կիրառվող ծրագրերը նախընտրում էին ցածր բանաձևի ներածումները ՝ ընդհանուր առմամբ ավելի հիմք ծածկելու համար: Այս ուսումնասիրությունը մեզ թռիչք է տանում դեպի դեպի հարմարավետ միջակ:

Facebook Research- ը լուծում է այս խնդիրը `ընդունելով բազմաշերտ վերլուծության համակարգ: Կոպիտ վերլուծությունը վերցնում է ամբողջ պատկերը ՝ կենտրոնանալով այն ամենի շուրջ, թե որտեղ ինչ է: Երկրորդ մակարդակ վերցնում է այստեղից ելքային տվյալները ՝ որպես ճանապարհային քարտեզ օգտագործելու համար և հավաքում ա ավելի մանրամասն երկրաչափություն ավելի բարձր լուծաչափով պատկերների օգնությամբ:

ՏԵՍ ՆԱԵՎ. ԻՆՉ Է ԻՐ ՍՏՈՒ DEՈՒՄԸ ԽՈՐՀՈՒՐԴ, ԻՆՉՈՒ Է ԱՅՍՊԵՍ ԱՎԵԼԻ ԱՆՎԱՆ

Այս հետազոտությունը միակ ձգտումը չէ այս ոլորտում: Մարդկային թվայնացումը կարող է դուռ բացել բազում հնարավորությունների համար, ինչպիսիք են բժշկական պատկերացում դեպի վիրտուալ իրականություն ՝ պարզապես անհատականացված 3D emoji մատուցման: Մինչ օրս այս տեխնոլոգիան սահմանափակված էր հասարակության լայն զանգվածների համար `բազմաթիվ տեսախցիկների անհրաժեշտության և լուսավորության խիստ պահանջների սահմանափակումների պատճառով: Facebook- ի հետազոտության թիմը նպատակ ունի հասնել բարձր ճկուն մատուցման համակարգի, որը կարող է պահպանել բարձր հավատարմություն, երբ խոսքը վերաբերում է այնպիսի մանրամասների, ինչպիսիք են ծալքեր հագուստի մեջ, մատները և նրբությունները ներսում դեմքի հատկություններ.

Նախկինում գոյություն ունեցող տեխնոլոգիան

Հատկանշական օրինակ ՝ SCAPE, որը լույս է տեսել 2005 թ.-ին, Սթենֆորդն աշխատում է նախապես մոդելավորված ցանցեր ավելի քան պատկերի մուտքագրում ՝ 3D մատուցումներ արտադրելու համար: Չնայած սրանք մանրամասնորեն հայտնվում են ինքնուրույն, նրանք հավատարմորեն չէր ներկայացնում ինչ էին մոդելավորում: Այս նախագծում, սակայն, ոչ մի 3D երկրաչափություն չի պարտադրվում պատկերների վրա, փոխարենը, երկրաչափական համատեքստը կիրառվում է ավելի բարձր մակարդակների վրա ՝ առանց վաղաժամ ենթադրություններ կատարելու: Նշանակությունը ՝ սկսած կոպիտ ներդրումից մինչև մանրամասն վերլուծություն, բացակայող մանրամասներն աստիճանաբար իրականացվում են, և մոդելի երկրաչափական հատկությունների վերջնական որոշումը կատարվում է միայն վերջնական մակարդակում:

Ետևի կողմը

Բայց ի՞նչ կասես հետույքի մասին: Այն մնում է աննկատ մեկ պատկերով վերակառուցման ընթացքում: Բացակայող տեղեկատվությունը, անշուշտ, կնշանակեր հետույքի և մեջքի աղոտ գնահատականներ, ճի՞շտ է: Դե, թիմը հաղթահարեց այս խնդիրը ՝ որոշելով հետին նորմերը, ինչպես ասում էին. «Մենք հաղթահարում ենք այս խնդիրը ՝ օգտագործելով լծակներ պատկերից պատկեր թարգմանության ցանցեր հետևի նորմալներ արտադրելու համար: Մեր բազմամակարդակ պիքսելային հավասարեցված ձևի եզրակացությունը եզրակացրած հետևի մակերեսի նորմայի հետ պայմանավորելը հեռացնում է երկիմաստությունը և էապես բարելավում է մեր վերակառուցումների ընկալման որակը `ավելի մանրամասն մանրամասնության մակարդակով:"

Եթե ​​ձեզ հետաքրքրում է, նրանք Google Colab- ում թողեցին ինքնաթեստավորման հավաքածու, չնայած արդար լինելու համար, դրա համար անհրաժեշտ է որոշակի քանակությամբ տեխնոլոգիական-խորամանկություն և հիմնական ըմբռնումը ծրագրավորման միջավայրեր վազել.


Դիտեք տեսանյութը: AI-Based 3D Pose Estimation: Almost Real Time! (Հունվարի 2022).