Audire licet quomodo exempla potentissima textus-ad-imaginem AI proximis duobus annis facti sunt. Sed scisne eandem technologiam iuvare posse saltum ab 2D ad 3D?
AI generatae 3D exempla latissimum usum habent in pagina digitali landscape hodierna. Video ludos et cinematographica confidunt peritis 3D artificibus et exemplaribus programmatis ut Blender ad creandum bona 3D ad scaenas populares computatrales generandas.
Attamen fieri potest ut industria machinae ad discendum bona 3D minore conatu uti possit, similiter quomodo 2D artifices hodie incipiant technologiam capere sicut DALL-E et midjourney?
Articulus hic novum algorithmum explorabit qui efficacem textum-ad-3D creare conatur utens exsistens passim exempla.
Quid est Dreamfusion?
Una causa maioris exitus diffusionis exemplar quod 3D gignit bona directe est quod simpliciter non est multum 3D notitia available. 2D exempla diffusionis tantae potentiae factae sunt propter ingentes notitiaset imaginum in interrete inventas. Idem dici non potest cum 3D bonis.
Nonnullae artes generativae 3D circa hanc inopiam notitiarum laborant, captans hanc copiam notitiarum 2D.
DreamFusion exemplar generativum est quod 3D exempla creare potest secundum descriptionem textuum provisum. Exemplar DreamFusion utitur praestructo textu ad imaginem diffusionis exemplo ad generandum exempla realistica tria dimensiva e textu prompta.
Quamvis nulla 3D disciplina data, aditus 3D cohaerentiam bonorum cum summa fidelitate specie et profunditate generavit.
Quam Non est opus?
DreamFusion algorithmus in duobus exemplaribus principalibus consistit: a 2D exemplar diffusionis et a network neural qui imagines 2D in scenam 3D cohaerentem convertere possunt.
Google Imaginum cum textu ad-Image Model
Prima pars algorithm est diffusio exemplaris. Exemplar hoc responsabile est textum ad imagines convertendum.
Nota exemplar est diffusio, quae magnum specimen imaginis generare potest variationes alicuius obiecti. In hoc casu, imago nostra variationes omnes angulos possibilis rei provisae operiat. Exempli gratia, si equum 3D generare vellemus, ab omnibus angulis possibilibus 2D imagines equi vellemus. Propositum est Imaginem adhibere, ut quam maxime notitias (colores, reflexiones, densitatem) praebeat ad exemplar proximum in nostro algorithmo.
3D cum NerF partum exemplum
Deinceps, Dreamfusioni exemplo notae utitur ut a Neural Priamus Field vel NerF ad exemplar 3D creare ex statuto imaginis genitae. NeRFs possunt creare complexum 3D scaenarum quae dataset imaginum 2D.
Studeamus intelligere quomodo opera NerF.
Exemplar intendit creare functionem scaenam volutricam continuam optimized ex datis imaginibus 2D datis.
Si exemplar munus creat, quid sunt input et output?
Munus scaenae accipit in 3D locatione et 2D directionem spectandi ut input. Munus igitur colorem (in forma RGB) et densitatem specificam ponit.
Ad imaginem 2D ex certa ratione generabit, exemplar generabit punctum 3D puncta et ea puncta per scaenam discurret ad functionem statutam coloris et solidi soliditatis valores reddet. Volumen technicas reddens tunc valores illos in imaginem 2D output convertet.
Per NerF et 2D diffusionis exemplum Together
Nunc ut cognoscamus quomodo opera NerF, videamus quomodo hoc exemplar accurate 3D exempla ex imaginibus nostris generatis generare possit.
Pro quolibet textu promptum praebet, DreamFusion neRF docet passim initialized de integro. Quaelibet iteratio positionem temere cameram eligit in coordinatis sphaericis statuto. Recogitate exemplar spherae vitreae inclusum. Quoties novam imaginem 3D nostri exemplar generamus, temere punctum in sphaera nostra eligemus ut punctum speculationis nostrae output. DreamFusion etiam eligere temere levi situ l uti ad reddendam.
Cum cameram et situm levem habebimus, exemplar NerF reddetur. DreamFusion etiam passim eliget inter redditum coloratum, redditum texturatum, et redditum albedonis sine ulla obumbratione.
Antea diximus nos velle exemplar nostrum scripti ad imaginem (Image) satis imagines producere ad exemplum repraesentativum efficiendum.
Quomodo Dreamfusion hoc facit?
Dreamfusione simpliciter modificat initus promptum leviter ad angulos intentos perficiendos. Exempli gratia, angulos altae elevationis consequi possumus ad promptum "oculi visum" appendendo. Alios angulos generare possumus apponendo phrases, ut "aspectum frontem", "visum latus" et "visum posteriorem".
Scena identidem reddita ex locis temere camerae. Hae deinde inscriptiones transeunt per distillationis detrimentum functionis. Simplex descensus clivus paulatim emendavit exemplar 3D donee aequet scenam a textu descripto.
Cum exemplum 3D NerF utendo reddidimus, the uti possumus Curriculum Cubi algorithmus 3D reticulum ad exemplar nostri output. Hoc reticulum tunc importari potest in 3D populares redditores vel programmatum plasmationis.
limitationes
Dum DreamFusion scriptor output satis impressivum est, quia exempla diffusionis textuum imaginum exsistentium novo modo utitur, investigatores paucas limitationes notaverunt.
Munus detrimentum SDS observatum est ad effectus producendos oversaturated et nimis lenis. Hoc animadvertere potes in fuco naturali et defectu subtilitatis quae in outputs inveniuntur.
DreamFusion algorithmus etiam terminatur per solutionem imaginis output imaginis, quae est 64 x 64 elementa. Hoc ducit ad exempla summatim carentia singularia subtiliora.
Investigatores denique animadverterunt insitam esse provocationem in componendis 3D exemplaribus ex data 2D. Plura exempla 3D possibilia sunt quae generare possumus ex statuto imaginum 2D, quod ipsum difficilem atque etiam ambiguam reddit.
Conclusio
DreamFusion's 3D reddetiones tam bene operantur propter diffusionem exemplarium textus-ad imaginum facultatem quodlibet objectum vel scaenam creandi. Infigo est quomodo reticulum neurale in 3D spatio scaenam sine notitia 3D institutionis intelligere potest. Commendo legere totum charta plus discere de singulis technicis de DreamFusion algorithmus.
In votis est, haec technologia meliorem efficiet ut tandem exempla 3D photo-realistica creet. Finge totum ludos video vel simulationes quae ambitibus AI generatae utuntur. Posset demittere claustrum viscus pro video venatus tincidunt creare immersivos 3D mundos!
Quam partem putas in textu-ad-3D exempla in futuro ludent?
Leave a Reply