Utoaji wa Neural ni mbinu ibuka katika ujifunzaji wa kina ambayo inalenga kuongeza bomba la kawaida la picha za kompyuta na mitandao ya neva.
Algorithm ya utoaji wa neva itahitaji seti ya picha zinazowakilisha pembe tofauti za eneo moja. Kisha picha hizi zitaingizwa kwenye mtandao wa neva ili kuunda kielelezo ambacho kinaweza kutoa pembe mpya za tukio sawa.
Uzuri wa uwasilishaji wa neva upo katika jinsi inavyoweza kuunda upya matukio ya kina ya uhalisia picha bila kutegemea mbinu za kitamaduni ambazo zinaweza kuhitaji kukokotoa zaidi.
Kabla ya kuzama katika jinsi utoaji wa neva hufanya kazi, hebu tuchunguze misingi ya uwasilishaji wa kawaida.
Utoaji wa Kawaida ni nini?
Hebu kwanza tuelewe mbinu za kawaida zinazotumiwa katika utoaji wa classical.
Utoaji wa kawaida hurejelea seti ya mbinu zinazotumiwa kuunda picha ya 2D ya eneo la pande tatu. Pia inajulikana kama usanisi wa picha, uwasilishaji wa kawaida hutumia algoriti mbalimbali kuiga jinsi mwanga unavyoingiliana na aina tofauti za vitu.
Kwa mfano, kutoa tofali imara itahitaji seti fulani ya algorithms ili kuamua nafasi ya kivuli au jinsi upande wowote wa ukuta utakuwa na mwanga mzuri. Vile vile, vitu vinavyoakisi au kurudisha nuru, kama vile kioo, kitu kinachong'aa, au sehemu ya maji, vitahitaji mbinu zao wenyewe pia.
Katika uwasilishaji wa kawaida, kila kipengee kinawakilishwa na matundu ya poligoni. Programu ya shader kisha itatumia poligoni kama pembejeo ili kubaini jinsi kitu kitakavyoonekana kwa kuzingatia taa na pembe iliyoainishwa.
Utoaji wa uhalisia utahitaji nguvu nyingi zaidi za kukokotoa kwani mali zetu huishia kuwa na mamilioni ya poligoni za kutumia kama ingizo. Toleo linalotokana na kompyuta ambalo ni la kawaida katika watengenezaji filamu wa Hollywood kwa kawaida huchukua wiki au hata miezi kuwasilisha na linaweza kugharimu mamilioni ya dola.
Mbinu ya kufuatilia miale ni ya gharama kubwa sana kwa sababu kila pikseli kwenye picha ya mwisho inahitaji hesabu ya njia ambayo mwangaza huchukua kutoka chanzo cha mwanga hadi kwenye kitu na hadi kwenye kamera.
Maendeleo katika maunzi yameifanya graphics zinazotoa kupatikana zaidi kwa watumiaji. Kwa mfano, mengi ya hivi karibuni video michezo ruhusu madoido yanayofuatiliwa na miale kama vile uakisishaji wa uhalisia wa picha na vivuli mradi tu maunzi yake yawe na kazi.
GPU za hivi punde zaidi (vitengo vya uchakataji wa picha) zimeundwa mahususi ili kusaidia CPU kushughulikia hesabu changamano zinazohitajika ili kutoa michoro inayozingatia picha.
Kuongezeka kwa Utoaji wa Neural
Utoaji wa Neural hujaribu kushughulikia tatizo la utoaji kwa njia tofauti. Badala ya kutumia algoriti kuiga jinsi mwanga unavyoingiliana na vitu, vipi ikiwa tutaunda muundo unaojifunza jinsi tukio linapaswa kuonekana kutoka kwa pembe fulani?
Unaweza kufikiria kama njia ya mkato ya kuunda matukio ya picha halisi. Kwa uwasilishaji wa neva, hatuhitaji kukokotoa jinsi mwanga unavyoingiliana na kitu, tunahitaji tu data ya kutosha ya mafunzo.
Mbinu hii inaruhusu watafiti kuunda vielelezo vya hali ya juu vya matukio changamano bila kulazimika kufanya
Sehemu za Neural ni nini?
Kama ilivyotajwa hapo awali, tafsiri nyingi za 3D hutumia matundu ya poligoni kuhifadhi data kwenye umbo na umbile la kila kitu.
Walakini, nyanja za neva zinapata umaarufu kama njia mbadala ya kuwakilisha vitu vya pande tatu. Tofauti na matundu ya poligoni, sehemu za neva zinaweza kutofautishwa na kuendelea.
Tunamaanisha nini tunaposema nyanja za neural zinaweza kutofautishwa?
Toleo la 2D kutoka kwa uga wa neva sasa linaweza kufunzwa kuwa uhalisia wa picha kwa kurekebisha tu uzani wa mtandao wa neva.
Kwa kutumia sehemu za neva, hatuhitaji tena kuiga fizikia ya mwanga ili kutoa tukio. Ujuzi wa jinsi toleo la mwisho litakavyowashwa sasa limehifadhiwa ndani ya uzani wa yetu neural mtandao.
Hii huturuhusu kuunda picha na video za riwaya haraka kutoka kwa picha chache au video.
Jinsi ya kutoa mafunzo kwa uwanja wa Neural?
Sasa kwa kuwa tunajua misingi ya jinsi uwanja wa neva hufanya kazi, hebu tuangalie jinsi watafiti wanaweza kutoa mafunzo kwa uga wa mionzi ya neva au NeRF.
Kwanza, tutahitaji kuchukua sampuli za viwianishi vya nasibu vya tukio na kuzilisha kwenye mtandao wa neva. Mtandao huu basi utaweza kutoa idadi ya shamba.
Kiasi cha sehemu zinazozalishwa huchukuliwa kuwa sampuli kutoka kwa kikoa kinachohitajika cha ujenzi wa eneo tunalotaka kuunda.
Kisha tutahitaji kuweka ramani ya ujenzi upya kwa picha halisi za 2D. Kisha algorithm itahesabu kosa la uundaji upya. Hitilafu hii itaongoza mtandao wa neva ili kuongeza uwezo wake wa kuunda upya tukio.
Maombi ya Utoaji wa Neural
Muhtasari wa Mtazamo wa Riwaya
Usanisi wa mtazamo wa riwaya unarejelea kazi ya kuunda mitazamo ya kamera kutoka pembe mpya kwa kutumia data kutoka kwa idadi ndogo ya mitazamo.
Mbinu za utoaji wa Neural hujaribu kukisia nafasi ya kamera kwa kila picha kwenye mkusanyiko wa data na kulisha data hiyo kwenye mtandao wa neva.
Mtandao wa neva kisha utaunda uwakilishi wa 3D wa tukio ambapo kila sehemu katika nafasi ya 3D ina rangi na msongamano unaohusishwa.
Utekelezaji mpya wa NeRFs katika Google Street View hutumia usanisi wa mwonekano wa riwaya kuruhusu watumiaji kuchunguza maeneo ya ulimwengu halisi kana kwamba wanadhibiti kamera inayochukua video. Hii inaruhusu watalii kuchunguza maeneo kwa njia ya kuzama kabla ya kuamua kusafiri hadi tovuti mahususi.
Avatar za uhalisia wa picha
Mbinu za hali ya juu katika uwasilishaji wa neva zinaweza pia kufungua njia kwa avatari za kweli zaidi za dijiti. Avatar hizi zinaweza kutumika kwa majukumu mbalimbali kama vile wasaidizi pepe au huduma kwa wateja, au kama njia ya watumiaji kuingiza mfanano wao katika mchezo video au kuigiza kutoa.
Kwa mfano, karatasi iliyochapishwa mnamo Machi 2023 inapendekeza kutumia mbinu za utoaji wa neva ili kuunda avatar ya uhalisia wa picha baada ya dakika chache za video.
Hitimisho
Utoaji wa Neural ni nyanja ya kusisimua ya utafiti ambayo ina uwezo wa kubadilisha tasnia nzima ya michoro ya kompyuta.
Teknolojia inaweza kupunguza kizuizi cha kuingia kwa uundaji wa mali za 3D. Huenda timu za madoido zisisubiri tena siku ili kutoa dakika chache za michoro halisi ya picha.
Kuchanganya teknolojia na programu zilizopo za Uhalisia Pepe na Uhalisia Ulioboreshwa kunaweza pia kuruhusu wasanidi programu kuunda matumizi bora zaidi.
Je, unafikiri ni uwezekano gani wa kweli wa utoaji wa neva?
Acha Reply