ቪዥዋል AI መመሪያ

ጥልቀት ማንኛውም ነገር ሞኖኩላር ጥልቀት

DepthAnything ልዩ ሃርድዌር ሳይኖረው እያንዳንዱ ፒክሰል ከአንድ ተራ ፎቶ ምን ያህል እንደሚርቅ የሚገመት የመሠረት ሞዴል ነው።

2 ሚን አንብብለመጨረሻ ጊዜ የዘመነው

አጠቃላይ እይታ

It made robust, general-purpose depth sensing cheap and accessible for anything from phones to robots.

ጥልቅ ዳይቭ

DepthAnything (2024፣ በTikTok/ByteDance እና HKU ያሉትን ጨምሮ በተመራማሪዎች የተለቀቀ) የሞኖኩላር ጥልቀት ግምትን ይመለከታል፡ የጥልቀት ካርታ ከአንድ RGB ምስል መተንበይ። እድገቱ ልኬት ነበር፡ ቡድኑ ባለው ውስን መለያ ጥልቀት መረጃ ላይ ብቻ ከመታመን ይልቅ የአስተማሪ ሞዴልን በመጠቀም ወደ 62 ሚሊዮን የሚጠጉ መለያ የሌላቸውን ፎቶዎች በራስ ሰር ምልክት ያደረገ ሞተር ሰራ፣ ከዚያም ተማሪን በዚህ ግዙፍ ኮርፐስ ላይ አሰልጥኗል። ይህ በቤት ውስጥ፣ ከቤት ውጭ እና ያልተለመዱ ትዕይንቶች ላይ ጠንካራ ዜሮ-ምት አጠቃላይነትን ይሰጣል። የመጀመሪያው ውፅዓት አንጻራዊ ጥልቀት (የትኞቹ ፒክሰሎች ቅርብ ወይም ሩቅ ናቸው፣ ትክክለኛ ሜትሮች አይደሉም)። ጥልቀት ማንኛውም ነገር V2 (እ.ኤ.አ. በ2024 አጋማሽ) መምህሩን በተቀነባበረ መረጃ ላይ ፍጹም በሆነ መሬት-እውነት በማሰልጠን፣ ከዚያም ወደ እውነተኛ ምስሎች በማጣራት፣ የደበዘዙ ጠርዞችን እና ግልጽ-ነገር ስህተቶችን በማስተካከል ጥሩ ዝርዝሮችን አሰላ።

ቴክኒካዊ ግንዛቤ

DPT-style ጥቅጥቅ ያለ የትንበያ ጭንቅላትን መመገብ የዲኖቭ2 ቪዥን-ትራንስፎርመር ኢንኮደርን ይጠቀማል። ዋናው ብልሃቱ በከፊል ክትትል የሚደረግበት ዲስትሪከት ነው፡ አንድ መምህር በተሰየሙ ዳታ ላይ የሰለጠኑ በሚሊዮኖች የሚቆጠሩ ያልተሰየሙ ምስሎችን ይማራል፣ እና ተማሪ ከሁለቱም ይማራል። V2 ጫጫታ ያላቸውን እውነተኛ መለያዎች በፒክሰል-ፍጹም ጥልቀት ወደ ሰው ሠራሽ ውሂብ ይቀያይራል፣ከዚያም ወደ እውነተኛ ፎቶዎች ይመለሳል፣የትክክለኛውን ጥልቅ ማብራሪያዎች እጥረት እና ጫጫታ ወደ ጎን በመተው ጥርት ያሉ ድንበሮችን ይጠብቃል።

ስልታዊ ተጽእኖ

ፍጥነት እና ልኬት

ቪዥዋል AI የመመርመሪያ፣ የማወቅ እና የመለያ ስራዎችን በሚዛን መጠን በራስ ሰር ሊያደርግ ይችላል።

ምርጫዎችን ይገንቡ

የፈጠራ ቡድኖች በጥቂት የእጅ ክለሳዎች ጽንሰ-ሀሳቦችን በፍጥነት መተየብ ይችላሉ።

ቡድን እና የስራ ፍሰት

ክዋኔዎች ከዚህ ቀደም ለማስኬድ አስቸጋሪ የነበሩትን የምስል እና የቪዲዮ ምልክቶችን መጠቀም ይችላሉ።

የጥልቀት የወደፊት ማንኛውም ነገር ሞኖኩላር ጥልቀት

የተወሰነ LiDAR በጣም ውድ ወይም ግዙፍ በሆነበት የኤአር መነጽሮች፣ ስማርትፎን ካሜራዎች እና ሮቦቲክስ ውስጥ ጥብቅ ውህደትን ይጠብቁ። እውነተኛ ሜትሮችን የሚያወጡ የሜትሪክ ተለዋጮች፣ በተጨማሪም የቪዲዮ ሞዴሎች በጊዜያዊነት የተረጋጋ ጥልቀት (በፍሬም መካከል ብልጭ ድርግም የለም) በፍጥነት እየገፉ ነው። እነዚህ ሞዴሎች በመሳሪያው ላይ በቅጽበት ለመስራት ሲቀነሱ፣ ባለአንድ ካሜራ 3D ግንዛቤ ነባሪ አቅም፣ የቦታ ማስላት መመገብ፣ ራሱን የቻለ አሰሳ እና የ3D ትእይንት ዳግም ግንባታ ይሆናል።

የእውነተኛ-ዓለም አተገባበር

በነጠላ መነፅር የስማርትፎን የቁም ፎቶዎች ውስጥ እውነተኛ የጀርባ ብዥታ (bokeh)ን ለመንዳት ጥልቅ ካርታዎችን ማፍለቅ።

ዝቅተኛ ዋጋ ላላቸው ድሮኖች እና LiDAR ወይም ስቴሪዮ ካሜራዎች ለሌሉት ሮቦቶች የ3D መሰናክል ግንዛቤን መስጠት።

የምስል አመንጪዎች የትእይንት ጂኦሜትሪ እንዲቆዩ ለማድረግ ለ ControlNet ጥልቀት ማስተካከያ ካርታዎችን መፍጠር።

ለቪአር እና ስቴሪዮስኮፒክ ማሳያዎች 2D ፎቶዎችን እና ፊልሞችን ወደ 3D ወይም parallax effects በመቀየር ላይ።

አደጋዎች እና የጥበቃ መንገዶች

የምስል መብቶች እና ፈቃድ ግልጽ ካልሆነ ህጋዊ አደጋዎች ሊሆኑ ይችላሉ።

የሞዴል አፈጻጸም በብርሃን፣ በስነ-ሕዝብ እና በአካባቢው ሊለያይ ይችላል።

የመተማመን ገደቦች ካልተቆጣጠሩ የውሸት አወንታዊ ነገሮች ላይታዩ ይችላሉ።

የትግበራ ፍኖተ ካርታ

1

ለትክክለኛነት፣ ለማስታወስ እና ለስህተት ወጪዎች የመቀበያ መስፈርቶችን ይግለጹ።

2

ከእውነተኛ የምርት ሁኔታዎች ጋር በሚዛመድ ውሂብ ይሞክሩ።

3

ለዝቅተኛ እምነት ወይም ከፍተኛ ተጽዕኖ ትንበያ የሰው ግምገማን ያክሉ።

4

ከካሜራ ወይም የውሂብ ስብስብ ለውጦች በኋላ የሞዴሉን ተንሸራታች ይከታተሉ እና እንደገና ያረጋግጡ።

ማሰስዎን ይቀጥሉ

የኮምፒውተር እይታ

ምስላዊ AIን የሚያበረታቱ መሰረታዊ ስርዓቶችን ይረዱ።

መመሪያ ያንብቡ

AI ምስል ማመንጨት

የፍጥረት የስራ ፍሰቶችን እና የሞዴል ንግድን ያስሱ።

መመሪያ ያንብቡ

Free newsletter

Get the daily AI briefing

Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.

One email each weekday. Unsubscribe in one click. We never sell or share your address.

Test yourself

Take the DepthAnything Monocular Depth quiz

Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.

ጥያቄ ጀምር

Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation

ቀጣይ መመሪያ

ሞኖኩላር ጥልቀት ግምት

ቀጣዩን መመሪያ ያንብቡ ሁሉንም ጥያቄዎች ያስሱ

በተደጋጋሚ የሚጠየቁ ጥያቄዎች

What is DepthAnything Monocular Depth?

DepthAnything ልዩ ሃርድዌር ሳይኖረው እያንዳንዱ ፒክሰል ከአንድ ተራ ፎቶ ምን ያህል እንደሚርቅ የሚገመት የመሠረት ሞዴል ነው። ጠንካራ፣ አጠቃላይ-ዓላማ ጥልቀትን ርካሽ እና ከስልኮች እስከ ሮቦቶች ለማንኛውም ነገር ተደራሽ አድርጓል።

የ'ሞኖኩላር' ጥልቀት ግምት ምን ማለት ነው?

ሞኖኩላር ማለት ጥልቀት ከአንድ (ሞኖ) የካሜራ ምስል ነው የሚገመተው፣ ምንም ስቴሪዮ ጥንድ ወይም ንቁ ዳሳሽ የለውም።

ለጠንካራ አጠቃላይነት ስኬት የDepthAnything ዋና ስልት ምን ነበር?

ቡድኑ በአስር ሚሊዮኖች የሚቆጠሩ ያልተሰየሙ ፎቶዎችን በይስሙላ የተሰየመ የመረጃ ሞተር ገንብቷል፣ ይህም የስልጠና ልኬትን በሚያስደንቅ ሁኔታ አስፋ።

DepthAnything የሚገነባው በየትኛው የጀርባ አጥንት ኢንኮደር ነው?

DepthAnything ከ DPT-style ጥቅጥቅ ያለ የትንበያ ጭንቅላት ጋር የተጣመረ DINov2 ViT ኢንኮደርን ይጠቀማል።

የመጀመሪያው DepthAnything በዋነኝነት የሚያወጣው ምን ዓይነት ጥልቀት ነው?

የመሠረታዊው ሞዴል ፍጹም የሜትሪክ ርቀቶችን ሳይሆን አንጻራዊ ጥልቀት ቅደም ተከተል ይተነብያል።

DepthAnything V2 እንዴት ጥሩ ዝርዝሮችን እና ጠርዞችን አሻሽሏል?

V2 መምህሩን በተቀነባበሩ ምስሎች ላይ በትክክለኛ ጥልቀት አሰልጥኖታል፣ ከዚያም ለተሳለ ድንበሮች ወደ እውነተኛ ፎቶዎች ተለወጠ።

ተዛማጅ መመሪያዎች