ਵਿਸ਼ਾ - ਸੂਚੀ[ਛੁਪਾਓ][ਦਿਖਾਓ]
ਹੇ, ਕੀ ਤੁਸੀਂ ਜਾਣਦੇ ਹੋ, ਕਿ NVIDIA ਦੇ ਤਤਕਾਲ NeRF ਨਿਊਰਲ ਰੈਂਡਰਿੰਗ ਮਾਡਲ ਦੇ ਨਾਲ ਸਕਿੰਟਾਂ ਵਿੱਚ 3D ਡੇਟਾ ਇਨਪੁਟਸ ਤੋਂ ਇੱਕ 2D ਦ੍ਰਿਸ਼ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ, ਅਤੇ ਉਸ ਦ੍ਰਿਸ਼ ਦੀਆਂ ਫੋਟੋਆਂ ਨੂੰ ਮਿਲੀਸਕਿੰਟ ਵਿੱਚ ਰੈਂਡਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ?
ਉਲਟ ਰੈਂਡਰਿੰਗ ਵਜੋਂ ਜਾਣੀ ਜਾਂਦੀ ਤਕਨੀਕ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸਥਿਰ ਫੋਟੋਆਂ ਦੇ ਸੰਗ੍ਰਹਿ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਇੱਕ ਡਿਜੀਟਲ 3D ਵਾਤਾਵਰਣ ਵਿੱਚ ਬਦਲਣਾ ਸੰਭਵ ਹੈ, ਜੋ ਕਿ AI ਦੀ ਨਕਲ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਅਸਲ ਸੰਸਾਰ ਵਿੱਚ ਪ੍ਰਕਾਸ਼ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ।
ਇਹ ਆਪਣੀ ਕਿਸਮ ਦੇ ਪਹਿਲੇ ਮਾਡਲਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ ਜੋ ਅਤਿ-ਤੇਜ਼ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਸਿਖਲਾਈ ਅਤੇ ਤੇਜ਼ ਰੈਂਡਰਿੰਗ ਨੂੰ ਜੋੜ ਸਕਦਾ ਹੈ, ਇੱਕ ਤਕਨੀਕ ਲਈ ਧੰਨਵਾਦ ਜੋ NVIDIA ਦੀ ਖੋਜ ਟੀਮ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੀ ਗਈ ਹੈ ਜੋ ਕਾਰਵਾਈ ਨੂੰ ਬਹੁਤ ਤੇਜ਼ੀ ਨਾਲ ਪੂਰਾ ਕਰਦੀ ਹੈ - ਲਗਭਗ ਤੁਰੰਤ।
ਇਹ ਲੇਖ NVIDIA ਦੇ NeRF ਦੀ ਡੂੰਘਾਈ ਨਾਲ ਜਾਂਚ ਕਰੇਗਾ, ਜਿਸ ਵਿੱਚ ਇਸਦੀ ਗਤੀ, ਵਰਤੋਂ ਦੇ ਕੇਸ ਅਤੇ ਹੋਰ ਕਾਰਕ ਸ਼ਾਮਲ ਹਨ।
ਇਸ ਲਈ, ਕੀ ਹੈ ਐਨ.ਆਰ.ਐਫ?
NeRF ਦਾ ਅਰਥ ਨਿਊਰਲ ਰੇਡੀਏਂਸ ਫੀਲਡ ਹੈ, ਜੋ ਕਿ ਇਨਪੁਟ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਗਿਣਤੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਅੰਤਰੀਵ ਨਿਰੰਤਰ ਵੋਲਯੂਮੈਟ੍ਰਿਕ ਸੀਨ ਫੰਕਸ਼ਨ ਨੂੰ ਸੋਧ ਕੇ ਗੁੰਝਲਦਾਰ ਦ੍ਰਿਸ਼ਾਂ ਦੇ ਵਿਲੱਖਣ ਦ੍ਰਿਸ਼ ਬਣਾਉਣ ਲਈ ਇੱਕ ਤਕਨੀਕ ਦਾ ਹਵਾਲਾ ਦਿੰਦਾ ਹੈ।
ਜਦੋਂ 2D ਫੋਟੋਆਂ ਦਾ ਸੰਗ੍ਰਹਿ ਇਨਪੁਟ ਵਜੋਂ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ NVIDIA ਦੇ NeRFs ਕੰਮ ਕਰਦੇ ਹਨ ਦਿਮਾਗੀ ਨੈਟਵਰਕ 3D ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਦਰਸਾਉਣ ਅਤੇ ਤਿਆਰ ਕਰਨ ਲਈ।
ਖੇਤਰ ਦੇ ਆਲੇ ਦੁਆਲੇ ਵੱਖ-ਵੱਖ ਕੋਣਾਂ ਤੋਂ ਫੋਟੋਆਂ ਦੀ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਗਿਣਤੀ ਦੀ ਲੋੜ ਹੈ ਨਿਊਰਲ ਨੈਟਵਰਕ, ਹਰੇਕ ਫਰੇਮ ਵਿੱਚ ਕੈਮਰੇ ਦੀ ਸਥਿਤੀ ਦੇ ਨਾਲ।
ਜਿੰਨੀ ਜਲਦੀ ਇਹ ਤਸਵੀਰਾਂ ਲਈਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਉੱਨਾ ਹੀ ਬਿਹਤਰ, ਖਾਸ ਤੌਰ 'ਤੇ ਚਲਦੇ ਅਦਾਕਾਰਾਂ ਜਾਂ ਵਸਤੂਆਂ ਵਾਲੇ ਦ੍ਰਿਸ਼ਾਂ ਵਿੱਚ।
ਜੇ 3D ਤਸਵੀਰ ਕੈਪਚਰ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੌਰਾਨ ਬਹੁਤ ਜ਼ਿਆਦਾ ਗਤੀ ਹੁੰਦੀ ਹੈ ਤਾਂ AI-ਉਤਪੰਨ 2D ਸੀਨ ਨੂੰ ਧੱਸਿਆ ਜਾਵੇਗਾ।
3D ਵਾਤਾਵਰਣ ਵਿੱਚ ਕਿਸੇ ਵੀ ਸਥਾਨ ਤੋਂ ਹਰ ਦਿਸ਼ਾ ਵਿੱਚ ਨਿਕਲਣ ਵਾਲੇ ਪ੍ਰਕਾਸ਼ ਦੇ ਰੰਗ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਕੇ, NeRF ਪੂਰੀ ਚਿੱਤਰ ਨੂੰ ਬਣਾਉਣ ਲਈ ਇਸ ਡੇਟਾ ਦੁਆਰਾ ਛੱਡੇ ਗਏ ਪਾੜੇ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਭਰਦਾ ਹੈ।
ਕਿਉਂਕਿ NeRF ਉਚਿਤ ਇਨਪੁਟਸ ਪ੍ਰਾਪਤ ਕਰਨ ਤੋਂ ਬਾਅਦ ਕੁਝ ਮਿਲੀਸਕਿੰਟਾਂ ਵਿੱਚ ਇੱਕ 3D ਦ੍ਰਿਸ਼ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ, ਇਹ ਅੱਜ ਤੱਕ ਦੀ ਸਭ ਤੋਂ ਤੇਜ਼ NeRF ਪਹੁੰਚ ਹੈ।
NeRF ਇੰਨੀ ਤੇਜ਼ੀ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ ਕਿ ਇਹ ਲਗਭਗ ਤਤਕਾਲ ਹੈ, ਇਸ ਲਈ ਇਸਦਾ ਨਾਮ ਹੈ। ਜੇਕਰ ਮਿਆਰੀ 3D ਪ੍ਰਸਤੁਤੀਆਂ ਜਿਵੇਂ ਕਿ ਬਹੁਭੁਜ ਜਾਲ ਵੈਕਟਰ ਤਸਵੀਰਾਂ ਹਨ, ਤਾਂ NeRF ਬਿੱਟਮੈਪ ਚਿੱਤਰ ਹਨ: ਉਹ ਕਿਸੇ ਵਸਤੂ ਜਾਂ ਕਿਸੇ ਦ੍ਰਿਸ਼ ਦੇ ਅੰਦਰੋਂ ਪ੍ਰਕਾਸ਼ ਦੇ ਨਿਕਲਣ ਦੇ ਤਰੀਕੇ ਨੂੰ ਸੰਘਣੀ ਢੰਗ ਨਾਲ ਕੈਪਚਰ ਕਰਦੇ ਹਨ।
ਤੁਰੰਤ NeRF 3D ਲਈ ਜ਼ਰੂਰੀ ਹੈ ਕਿਉਂਕਿ ਡਿਜੀਟਲ ਕੈਮਰੇ ਅਤੇ JPEG ਕੰਪਰੈਸ਼ਨ 2D ਫੋਟੋਗ੍ਰਾਫੀ ਲਈ ਹਨ, ਨਾਟਕੀ ਢੰਗ ਨਾਲ 3D ਕੈਪਚਰ ਅਤੇ ਸ਼ੇਅਰਿੰਗ ਦੀ ਗਤੀ, ਸਹੂਲਤ ਅਤੇ ਪਹੁੰਚ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ।
ਤਤਕਾਲ NeRF ਨੂੰ ਵਰਚੁਅਲ ਸੰਸਾਰਾਂ ਲਈ ਅਵਤਾਰਾਂ ਜਾਂ ਇੱਥੋਂ ਤੱਕ ਕਿ ਪੂਰੇ ਦ੍ਰਿਸ਼ ਬਣਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।
ਪੋਲਰੌਇਡ ਫੋਟੋਆਂ ਦੇ ਸ਼ੁਰੂਆਤੀ ਦਿਨਾਂ ਨੂੰ ਸ਼ਰਧਾਂਜਲੀ ਦੇਣ ਲਈ, NVIDIA ਖੋਜ ਟੀਮ ਨੇ ਇੱਕ ਤਤਕਾਲ ਫੋਟੋ ਖਿੱਚਣ ਵਾਲੇ ਐਂਡੀ ਵਾਰਹੋਲ ਦੇ ਇੱਕ ਮਸ਼ਹੂਰ ਸ਼ਾਟ ਨੂੰ ਦੁਬਾਰਾ ਬਣਾਇਆ ਅਤੇ ਤੁਰੰਤ NeRF ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇਸਨੂੰ ਇੱਕ 3D ਦ੍ਰਿਸ਼ ਵਿੱਚ ਬਦਲ ਦਿੱਤਾ।
ਕੀ ਇਹ ਅਸਲ ਵਿੱਚ 1,000 ਗੁਣਾ ਤੇਜ਼ ਹੈ?
ਇੱਕ 3D ਦ੍ਰਿਸ਼ ਨੂੰ NeRF ਤੋਂ ਪਹਿਲਾਂ ਬਣਾਉਣ ਵਿੱਚ ਕਈ ਘੰਟੇ ਲੱਗ ਸਕਦੇ ਹਨ, ਇਸਦੀ ਪੇਚੀਦਗੀ ਅਤੇ ਗੁਣਵੱਤਾ ਦੇ ਆਧਾਰ 'ਤੇ।
AI ਨੇ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਬਹੁਤ ਤੇਜ਼ ਕੀਤਾ, ਪਰ ਇਸ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਸਿਖਲਾਈ ਦੇਣ ਵਿੱਚ ਅਜੇ ਵੀ ਘੰਟੇ ਲੱਗ ਸਕਦੇ ਹਨ। ਮਲਟੀ-ਰੈਜ਼ੋਲੂਸ਼ਨ ਹੈਸ਼ ਏਨਕੋਡਿੰਗ ਨਾਮਕ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, NVIDIA ਦੁਆਰਾ ਮੋਢੀ ਕੀਤੀ ਗਈ, ਤਤਕਾਲ NeRF ਰੈਂਡਰ ਸਮੇਂ ਨੂੰ 1,000 ਦੇ ਕਾਰਕ ਦੁਆਰਾ ਘਟਾਉਂਦਾ ਹੈ।
ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਛੋਟੇ CUDA ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਪੈਕੇਜ ਅਤੇ NVIDIA CUDA ਟੂਲਕਿੱਟ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ। NVIDIA ਦੇ ਅਨੁਸਾਰ, ਕਿਉਂਕਿ ਇਹ ਇੱਕ ਹਲਕਾ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਹੈ, ਇਸ ਨੂੰ ਇੱਕ ਸਿੰਗਲ NVIDIA GPU 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾ ਸਕਦੀ ਹੈ ਅਤੇ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ, NVIDIA ਟੈਂਸਰ ਕੋਰ ਕਾਰਡ ਸਭ ਤੋਂ ਤੇਜ਼ ਰਫਤਾਰ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਨ।
ਕੇਸ ਵਰਤੋ
ਸਵੈ-ਡਰਾਈਵਿੰਗ ਆਟੋਮੋਬਾਈਲਜ਼ ਇਸ ਤਕਨਾਲੋਜੀ ਦੇ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਕਾਰਜਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹਨ। ਇਹ ਵਾਹਨ ਜ਼ਿਆਦਾਤਰ ਆਪਣੇ ਆਲੇ-ਦੁਆਲੇ ਦੀ ਕਲਪਨਾ ਕਰਕੇ ਚਲਦੇ ਹਨ।
ਹਾਲਾਂਕਿ, ਅੱਜ ਦੀ ਤਕਨਾਲੋਜੀ ਨਾਲ ਸਮੱਸਿਆ ਇਹ ਹੈ ਕਿ ਇਹ ਬੇਢੰਗੀ ਹੈ ਅਤੇ ਥੋੜਾ ਬਹੁਤ ਲੰਬਾ ਸਮਾਂ ਲੈਂਦਾ ਹੈ.
ਹਾਲਾਂਕਿ, Instant NeRF ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਇੱਕ ਸਵੈ-ਡ੍ਰਾਈਵਿੰਗ ਕਾਰ ਲਈ ਅਸਲ-ਸੰਸਾਰ ਵਸਤੂਆਂ ਦੇ ਆਕਾਰ ਅਤੇ ਆਕਾਰ ਨੂੰ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ/ਸਮਝਣ ਲਈ ਜੋ ਵੀ ਜ਼ਰੂਰੀ ਹੈ, ਉਹ ਹੈ ਸਥਿਰ ਤਸਵੀਰਾਂ ਖਿੱਚਣ, ਉਹਨਾਂ ਨੂੰ 3D ਵਿੱਚ ਬਦਲਣਾ, ਅਤੇ ਫਿਰ ਉਸ ਜਾਣਕਾਰੀ ਦੀ ਵਰਤੋਂ ਕਰਨਾ।
ਮੈਟਾਵਰਸ ਜਾਂ ਵਿੱਚ ਅਜੇ ਵੀ ਇੱਕ ਹੋਰ ਵਰਤੋਂ ਹੋ ਸਕਦੀ ਹੈ ਵੀਡੀਓ ਗੇਮ ਉਤਪਾਦਨ ਉਦਯੋਗ.
ਕਿਉਂਕਿ Instant NeRF ਤੁਹਾਨੂੰ ਅਵਤਾਰਾਂ ਜਾਂ ਇੱਥੋਂ ਤੱਕ ਕਿ ਪੂਰੀ ਵਰਚੁਅਲ ਦੁਨੀਆ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਬਣਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ, ਇਹ ਸੱਚ ਹੈ।
ਲਗਭਗ ਥੋੜ੍ਹਾ 3 ਡੀ ਅੱਖਰ ਮਾਡਲਿੰਗ ਦੀ ਲੋੜ ਹੋਵੇਗੀ ਕਿਉਂਕਿ ਤੁਹਾਨੂੰ ਸਿਰਫ਼ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਨੂੰ ਚਲਾਉਣ ਦੀ ਲੋੜ ਹੈ, ਅਤੇ ਇਹ ਤੁਹਾਡੇ ਲਈ ਇੱਕ ਅੱਖਰ ਤਿਆਰ ਕਰੇਗਾ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, NVIDIA ਅਜੇ ਵੀ ਵਾਧੂ ਮਸ਼ੀਨ ਸਿਖਲਾਈ-ਸਬੰਧਤ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਇਸ ਤਕਨਾਲੋਜੀ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਖੋਜ ਕਰ ਰਿਹਾ ਹੈ।
ਉਦਾਹਰਨ ਲਈ, ਇਸਦੀ ਵਰਤੋਂ ਪਹਿਲਾਂ ਨਾਲੋਂ ਵਧੇਰੇ ਸਹੀ ਭਾਸ਼ਾਵਾਂ ਦਾ ਅਨੁਵਾਦ ਕਰਨ ਅਤੇ ਆਮ-ਉਦੇਸ਼ ਨੂੰ ਵਧਾਉਣ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਡੂੰਘੀ ਸਿੱਖਿਆ ਐਲਗੋਰਿਦਮ ਹੁਣ ਕਾਰਜਾਂ ਦੀ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਲਈ ਵਰਤੋਂ ਵਿੱਚ ਹਨ।
ਸਿੱਟਾ
ਬਹੁਤ ਸਾਰੇ ਗਰਾਫਿਕਸ ਮੁੱਦੇ ਸਮੱਸਿਆ ਦੀ ਨਿਰਵਿਘਨਤਾ ਜਾਂ ਸਪਰਸਿਟੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਕਾਰਜ-ਵਿਸ਼ੇਸ਼ ਡੇਟਾ ਢਾਂਚੇ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ।
NVIDIA ਦੇ ਮਲਟੀ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਹੈਸ਼ ਏਨਕੋਡਿੰਗ ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਵਿਹਾਰਕ ਸਿੱਖਣ-ਆਧਾਰਿਤ ਵਿਕਲਪ ਕੰਮ ਦੇ ਬੋਝ ਦੀ ਪਰਵਾਹ ਕੀਤੇ ਬਿਨਾਂ, ਢੁਕਵੇਂ ਵੇਰਵੇ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਦਾ ਹੈ।
ਇਸ ਬਾਰੇ ਹੋਰ ਜਾਣਨ ਲਈ ਕਿ ਚੀਜ਼ਾਂ ਅੰਦਰ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀਆਂ ਹਨ, ਅਧਿਕਾਰੀ ਨੂੰ ਦੇਖੋ GitHub ਰਿਪੋਜ਼ਟਰੀ
ਕੋਈ ਜਵਾਬ ਛੱਡਣਾ