ສາລະບານ[ເຊື່ອງ][ສະແດງ]
Hey, ທ່ານຮູ້ບໍ່ວ່າ scene 3D ສາມາດຖືກສ້າງຂື້ນຈາກການປ້ອນຂໍ້ມູນ 2D ພາຍໃນວິນາທີດ້ວຍຕົວແບບການສະແດງຜົນ neural neural ຂອງ NVIDIA ແລະຮູບພາບຂອງ scene ນັ້ນສາມາດສະແດງໄດ້ໃນ milliseconds?
ມັນເປັນໄປໄດ້ທີ່ຈະປ່ຽນຄໍເລັກຊັນຮູບຖ່າຍເຂົ້າໄປໃນສະພາບແວດລ້ອມ 3 ມິຕິດິຈິຕອລໄດ້ຢ່າງວ່ອງໄວໂດຍໃຊ້ເຕັກນິກທີ່ເອີ້ນວ່າການສະແດງຜົນແບບປີ້ນກັນ, ເຊິ່ງເຮັດໃຫ້ AI ສາມາດຈໍາລອງວິທີການເຮັດວຽກຂອງແສງຢູ່ໃນໂລກຕົວຈິງ.
ມັນແມ່ນ ໜຶ່ງ ໃນຕົວແບບ ທຳ ອິດຂອງປະເພດຂອງມັນທີ່ສາມາດສົມທົບການຝຶກອົບຮົມເຄືອຂ່າຍ neural ທີ່ໄວທີ່ສຸດແລະການສະແດງຜົນໄວ, ຍ້ອນເຕັກນິກທີ່ທີມງານຄົ້ນຄ້ວາຂອງ NVIDIA ວາງແຜນທີ່ເຮັດສໍາເລັດການປະຕິບັດງານຢ່າງໄວວາຢ່າງບໍ່ຫນ້າເຊື່ອ - ເກືອບທັນທີ.
ບົດຄວາມນີ້ຈະກວດສອບ NeRF ໃນຄວາມເລິກຂອງ NVIDIA, ລວມທັງຄວາມໄວຂອງມັນ, ກໍລະນີການນໍາໃຊ້, ແລະປັດໃຈອື່ນໆ.
ດັ່ງນັ້ນ, ແມ່ນຫຍັງ NeRF?
NeRF ຫຍໍ້ມາຈາກພາກສະຫນາມ radiance neural, ເຊິ່ງຫມາຍເຖິງເຕັກນິກການສ້າງທັດສະນະທີ່ເປັນເອກະລັກຂອງ scenes ທີ່ສັບສົນໂດຍການປັບປ່ຽນຟັງຊັນຂອງ scene volumetric ຢ່າງຕໍ່ເນື່ອງໂດຍນໍາໃຊ້ຈໍານວນຂະຫນາດນ້ອຍຂອງ views input.
ເມື່ອໃຫ້ຄໍເລັກຊັນຮູບພາບ 2D ເປັນການປ້ອນຂໍ້ມູນ, NeRFs ຂອງ NVIDIA ນຳໃຊ້ ເຄືອຂ່າຍ neural ເພື່ອເປັນຕົວແທນ ແລະສ້າງສາກ 3D.
ຈໍານວນຂະຫນາດນ້ອຍຂອງຮູບພາບຈາກມຸມຕ່າງໆອ້ອມຂ້າງພື້ນທີ່ແມ່ນຈໍາເປັນສໍາລັບການ ເຄືອຂ່າຍ neural, ຮ່ວມກັບສະຖານທີ່ຂອງກ້ອງຖ່າຍຮູບໃນແຕ່ລະກອບ.
ຮູບພາບເຫຼົ່ານີ້ຖືກຖ່າຍໄວເທົ່າໃດ, ດີກວ່າ, ໂດຍສະເພາະໃນ scenes ທີ່ມີນັກສະແດງຫຼືວັດຖຸທີ່ເຄື່ອນຍ້າຍ.
ສາກ 3D ທີ່ສ້າງຂຶ້ນໂດຍ AI ຈະຖືກຮອຍເປື້ອນຫາກມີການເຄື່ອນໄຫວຫຼາຍເກີນໄປໃນລະຫວ່າງຂັ້ນຕອນການຈັບພາບ 2D.
ໂດຍການຄາດຄະເນສີຂອງແສງສະຫວ່າງທີ່ອອກມາໃນທຸກທິດທາງຈາກສະຖານທີ່ໃດກໍ່ຕາມໃນສະພາບແວດລ້ອມ 3D, NeRF ມີປະສິດທິພາບຕື່ມຂໍ້ມູນໃສ່ຊ່ອງຫວ່າງທີ່ເຫຼືອໂດຍຂໍ້ມູນນີ້ເພື່ອສ້າງຮູບພາບທັງຫມົດ.
ເນື່ອງຈາກ NeRF ສາມາດສ້າງ scene 3D ໃນສອງສາມມິລິວິນາທີຫຼັງຈາກໄດ້ຮັບການປ້ອນຂໍ້ມູນທີ່ເຫມາະສົມ, ມັນເປັນວິທີການ NeRF ທີ່ໄວທີ່ສຸດຈົນເຖິງປະຈຸບັນ.
NeRF ເຮັດວຽກຢ່າງໄວວາທີ່ມັນເກືອບທັນທີ, ເພາະສະນັ້ນຊື່ຂອງມັນ. ຖ້າການເປັນຕົວແທນ 3D ມາດຕະຖານເຊັ່ນຕາຫນ່າງ polygonal ແມ່ນຮູບພາບ vector, NeRFs ແມ່ນຮູບພາບແຜນທີ່ bit: ເຂົາເຈົ້າຈັບຢ່າງຫນາແຫນ້ນວິທີການແສງສະຫວ່າງອອກຈາກວັດຖຸຫຼືພາຍໃນ scene.
ທັນທີ NeRF ເປັນສິ່ງຈຳເປັນຕໍ່ 3D ເນື່ອງຈາກກ້ອງດິຈິຕອລ ແລະ ການບີບອັດ JPEG ແມ່ນການຖ່າຍຮູບ 2 ມິຕິ, ປັບປຸງຄວາມໄວ, ຄວາມສະດວກສະບາຍ ແລະການເຂົ້າເຖິງການຖ່າຍຮູບ 3 ມິຕິ ແລະການແບ່ງປັນຢ່າງຫຼວງຫຼາຍ.
Instant NeRF ສາມາດໃຊ້ເພື່ອຜະລິດຮູບແທນຕົວ ຫຼືແມ້ແຕ່ທິວທັດທັງໝົດສຳລັບໂລກສະເໝືອນ.
ເພື່ອເປັນການເຄົາລົບຮູບຖ່າຍ Polaroid ໃນຊ່ວງຕົ້ນໆ, ທີມວິໄຈ NVIDIA ໄດ້ສ້າງຮູບຖ່າຍທີ່ມີຊື່ສຽງຂອງ Andy Warhol ທີ່ຖ່າຍຮູບທັນທີ ແລະປ່ຽນເປັນສາກ 3D ໂດຍໃຊ້ Instant NeRF.
ມັນໄວກວ່າ 1,000 ເທົ່າບໍ?
ສາກ 3D ສາມາດໃຊ້ເວລາຫຼາຍຊົ່ວໂມງເພື່ອສ້າງກ່ອນ NeRF, ຂຶ້ນກັບຄວາມຊັບຊ້ອນ ແລະຄຸນນະພາບຂອງມັນ.
AI ເລັ່ງຂະບວນການຢ່າງໃຫຍ່ຫຼວງ, ແຕ່ມັນຍັງສາມາດໃຊ້ເວລາຫຼາຍຊົ່ວໂມງເພື່ອຝຶກອົບຮົມຢ່າງຖືກຕ້ອງ. ການນໍາໃຊ້ວິທີການທີ່ເອີ້ນວ່າການເຂົ້າລະຫັດ hash ຄວາມລະອຽດຫຼາຍ, ບຸກເບີກໂດຍ NVIDIA, Instant NeRF ຫຼຸດຜ່ອນເວລາ render ໂດຍປັດໄຈຂອງ 1,000.
ຊຸດ CUDA Neural Networks ຂະໜາດນ້ອຍ ແລະ NVIDIA CUDA Toolkit ໄດ້ຖືກນໍາໃຊ້ເພື່ອສ້າງຕົວແບບ. ອີງຕາມ NVIDIA, ເນື່ອງຈາກວ່າມັນເປັນເຄືອຂ່າຍ neural ທີ່ມີນ້ໍາຫນັກເບົາ, ມັນສາມາດໄດ້ຮັບການຝຶກອົບຮົມແລະນໍາໃຊ້ໃນ NVIDIA GPU ດຽວ, ດ້ວຍບັດ NVIDIA Tensor Core ເຮັດວຽກດ້ວຍຄວາມໄວສູງສຸດ.
ໃຊ້ກໍລະນີ
ລົດໃຫຍ່ທີ່ຂັບລົດດ້ວຍຕົນເອງແມ່ນຫນຶ່ງໃນຄໍາຮ້ອງສະຫມັກທີ່ສໍາຄັນຂອງເຕັກໂນໂລຢີນີ້. ຍານພາຫະນະເຫຼົ່ານີ້ສ່ວນໃຫຍ່ດໍາເນີນການໂດຍການຈິນຕະນາການສິ່ງອ້ອມຂ້າງຂອງເຂົາເຈົ້າໃນຂະນະທີ່ພວກເຂົາໄປ.
ຢ່າງໃດກໍຕາມ, ບັນຫາກັບເຕັກໂນໂລຊີໃນມື້ນີ້ແມ່ນວ່າມັນ clumsy ແລະໃຊ້ເວລາດົນເກີນໄປ.
ຢ່າງໃດກໍຕາມ, ການນໍາໃຊ້ Instant NeRF, ທັງຫມົດທີ່ຈໍາເປັນຕ້ອງໄດ້ສໍາລັບລົດທີ່ຂັບລົດດ້ວຍຕົນເອງເພື່ອປະມານ / ເຂົ້າໃຈຂະຫນາດແລະຮູບຮ່າງຂອງວັດຖຸໃນໂລກທີ່ແທ້ຈິງແມ່ນການຖ່າຍຮູບ, ປ່ຽນເປັນ 3D, ແລະຫຼັງຈາກນັ້ນນໍາໃຊ້ຂໍ້ມູນນັ້ນ.
ຍັງສາມາດມີການນໍາໃຊ້ອື່ນໃນ metaverse ຫຼື ວິດີໂອເກມ ອຸດສາຫະກໍາການຜະລິດ.
ເນື່ອງຈາກວ່າ Instant NeRF ອະນຸຍາດໃຫ້ທ່ານສ້າງ avatars ຫຼືແມ້ກະທັ້ງໂລກ virtual ທັງຫມົດຢ່າງໄວວາ, ນີ້ແມ່ນຄວາມຈິງ.
ເກືອບເລັກນ້ອຍ ລັກສະນະ 3D ການສ້າງແບບຈໍາລອງແມ່ນຈໍາເປັນເພາະວ່າສິ່ງທີ່ທ່ານຕ້ອງເຮັດແມ່ນດໍາເນີນການເຄືອຂ່າຍ neural, ແລະມັນຈະສ້າງລັກສະນະສໍາລັບທ່ານ.
ນອກຈາກນັ້ນ, NVIDIA ຍັງຄົ້ນຫາການນໍາໃຊ້ເຕັກໂນໂລຢີນີ້ສໍາລັບຄໍາຮ້ອງສະຫມັກທີ່ກ່ຽວຂ້ອງກັບການຮຽນຮູ້ເຄື່ອງຈັກເພີ່ມເຕີມ.
ຕົວຢ່າງ, ມັນອາດຈະຖືກໃຊ້ເພື່ອແປພາສາຕ່າງໆຢ່າງຖືກຕ້ອງກວ່າເມື່ອກ່ອນ ແລະເສີມຂະຫຍາຍຈຸດປະສົງທົ່ວໄປ ການຮຽນຮູ້ລຶກລັບ ປະຈຸບັນນີ້ algorithms ຖືກນໍາໃຊ້ສໍາລັບວຽກງານທີ່ກວ້າງຂວາງ.
ສະຫຼຸບ
ບັນຫາກາຟິກຫຼາຍອັນແມ່ນອີງໃສ່ໂຄງສ້າງຂໍ້ມູນສະເພາະໜ້າວຽກເພື່ອເຮັດໃຫ້ການນຳໃຊ້ຄວາມລຽບງ່າຍ ຫຼື ເບົາບາງຂອງບັນຫາ.
ທາງເລືອກທີ່ອີງໃສ່ການຮຽນຮູ້ພາກປະຕິບັດທີ່ສະເໜີໃຫ້ໂດຍການເຂົ້າລະຫັດ hash ຫຼາຍຄວາມລະອຽດຂອງ NVIDIA ຈະສຸມໃສ່ລາຍລະອຽດທີ່ກ່ຽວຂ້ອງໂດຍອັດຕະໂນມັດ, ໂດຍບໍ່ສົນເລື່ອງວຽກ.
ເພື່ອສຶກສາເພີ່ມເຕີມກ່ຽວກັບວິທີການເຮັດວຽກພາຍໃນ, ໃຫ້ກວດເບິ່ງຢ່າງເປັນທາງການ GitHub repository
ອອກຈາກ Reply ເປັນ