የማሪጎልድ ስርጭት ጥልቀት ግምት መመሪያ

አጠቃላይ እይታ

It shows you can turn a generator's rich visual knowledge into a precise perception tool with surprisingly little training data.

ጥልቅ ዳይቭ

ማሪጎልድ (ETH ዙሪክ፣ ሲቪፒአር 2024 ምርጥ ወረቀት የተከበረ ስም) የጥልቅ ግምትን እንደ ሁኔታዊ ትውልድ ችግር ያስተካክላል። የጥልቀት ኔትወርክን ከባዶ ከማሰልጠን ይልቅ በግብአት ምስል ላይ የተስተካከለ ጥልቅ ካርታ 'ለማመንጨት' Stable Diffusionን በጥሩ ሁኔታ ያስተካክላል። ግንዛቤው አንድ ሞዴል ፎቶሪአላዊ ምስሎችን ለማዋሃድ የሰለጠነ ሞዴል ቀደም ሲል ትእይንት ጂኦሜትሪ፣ መብራት እና አወቃቀሩን በድብቅ ቦታው ውስጥ ተምሯል፣ ይህም ለጥልቀት ጠቃሚ የሆኑትን ቅድመ ሁኔታዎችን ነው። በሚያስደንቅ ሁኔታ፣ ማሪጎልድ በጥሩ ሁኔታ የተስተካከለው በተቀነባበሩ የውሂብ ስብስቦች (እንደ ሃይፐርሲም እና ቨርቹዋል ኪቲቲ) ብቻ ቢሆንም ለትክክለኛዎቹ ፎቶዎች ዜሮ-ሾት በደንብ አጠቃሏል። አፊን-የማይለወጥ አንጻራዊ ጥልቀት በተለየ ሁኔታ በጥሩ ሁኔታ ያመርታል፣ ምንም እንኳን ተደጋጋሚ መግለጫው እንደ DepthAnything ካሉ ምግብ-አስተላላፊ ሞዴሎች ቀርፋፋ ያደርገዋል።

ቴክኒካዊ ግንዛቤ

ማሪጎልድ በStable Diffusion ድብቅ ቦታ ውስጥ ይሰራል። ሁለቱም ምስሉ እና ጥልቀት ካርታው በተመሳሳይ VAE የተመሰጠሩ ናቸው; ዩ-ኔት በንፁህ ምስል ድብቅ ላይ የተስተካከለ ጥልቅ ድብቅ ሁኔታን ለመቃወም በጥሩ ሁኔታ ተስተካክሏል። በማጣቀሻ ደረጃውን የጠበቀ የድግግሞሽ ምልከታ ዑደትን ያካሂዳል፣ ከዚያም የድብቅውን ጥልቀት ይፈታዋል። ናሙና ስለሚወስድ፣ ብዙ ሩጫዎች ለመረጋጋት፣ የግብይት ስሌት ለትክክለኛነት ሊሰበሰቡ ይችላሉ። በኋላ 'LCM' እና አንድ-ደረጃ የተበታተኑ ስሪቶች በደርዘን የሚቆጠሩ ደረጃዎችን ወደ አንድ ማለፊያ ቆርጠዋል።

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።

የወደፊት የማሪጎልድ ስርጭት ጥልቀት ግምት

የማሪጎልድ የምግብ አዘገጃጀት መመሪያ፣ ለጥቅጥቅ ትንበያ ቅድመ-መስተካከል፣ ከጥልቅ በላይ ወደ ላይ ላዩን መደበኛ ነገሮች፣ የውስጣዊ ምስል መበስበስ እና የቁሳቁስ ግምት አጠቃላይ ነው። ፈጣን እና ወጥነት ያለው - የሞዴል ልዩነቶች በመጋቢ ማስተላለፊያ ኔትወርኮች የፍጥነት ክፍተቱን በመዝጋት ስርጭትን መሰረት ያደረገ ግንዛቤ በይነተገናኝ መሳሪያዎች ውስጥ ተግባራዊ ይሆናል። አንድ ቀድሞ የሰለጠነ አመንጪ የጀርባ አጥንት ከብዙ ጂኦሜትሪ እና የአመለካከት ስራዎች ጋር የሚጣጣምበት ሰፋ ያለ አዝማሚያ ይጠብቁ፣ ይህም ትልቅ ተግባር-ተኮር ምልክት የተደረገባቸው የውሂብ ስብስቦችን አስፈላጊነት ይቀንሳል።

የእውነተኛ-ዓለም አተገባበር

ከሥነ ሕንፃ እና የምርት ፎቶዎች ለማብራት እና ለ3-ል መሳለቂያዎች ጥሩ ጥራት ያለው ጥልቀት ማውጣት።

ለቁጥጥር ምስል እና ቪዲዮ ማመንጨት እንደ ማቀዝቀዣ የሚያገለግሉ ከፍተኛ ዝርዝር ጥልቅ ካርታዎችን በማፍለቅ ላይ።

የፊልም እና የቪኤፍኤክስ ቡድኖች በማቲ እና ፓራላክስ ውስጥ የጠርዝ ትክክለኛነት በሚያስፈልግበት ቦታ ይሰራሉ።

ከጥቅጥቅ ትንበያ ተግባራት በፊት አመንጪዎችን እንዴት ማላመድ እንደሚቻል እንደ የምርምር መነሻ መስመር ማገልገል።

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

ለትክክለኛነት፣ ለማስታወስ እና ለስህተት ወጪዎች የመቀበያ መስፈርቶችን ይግለጹ።

ከእውነተኛ የምርት ሁኔታዎች ጋር በሚዛመድ ውሂብ ይሞክሩ።

ለዝቅተኛ እምነት ወይም ከፍተኛ ተጽዕኖ ትንበያ የሰው ግምገማን ያክሉ።

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

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 Marigold Diffusion Depth Estimation 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 Marigold Diffusion Depth Estimation?

ማሪጎልድ በከፍተኛ ደረጃ ዝርዝር ጥልቅ ካርታዎችን ለመተንበይ አስቀድሞ የሰለጠነ የምስል-ትውልድ ስርጭት ሞዴል (Stable Diffusion)ን መልሶ ይጠቀማል። የጄኔሬተሩን የበለጸገ ምስላዊ እውቀት በሚያስገርም ትንሽ የስልጠና መረጃ ወደ ትክክለኛ የማስተዋል መሳሪያ መቀየር እንደምትችል ያሳያል።

ማሪጎልድ በየትኛው አስቀድሞ የሰለጠነ ሞዴል ይገነባል?

ጥልቅ ካርታዎችን ለመስራት ማሪጎልድ የStable Diffusion ድብቅ ስርጭት ሞዴልን በደንብ ያስተካክላል።

ማሪጎልድ የጥልቅ ግምት ተግባሩን እንዴት ያዘጋጃል?

ጥልቀትን በመግቢያው ምስል ላይ እንደ 'የሚመነጨ' ነገር አድርጎ ይቆጥረዋል፣ የማሰራጫ ማሽን እንደገና ይጠቀማል።

የማሪጎልድ የሥልጠና መረጃ ምን አስገራሚ ነበር?

ማሪጎልድ እንደ ሃይፐርሲም እና ቨርቹዋል ኪቲቲ ባሉ ሰው ሰራሽ ዳታ ላይ በጥሩ ሁኔታ የተስተካከለ ነበር ነገር ግን ዜሮ ቀረጻን ወደ እውነተኛ ፎቶዎች ያጠቃል።

ለምንድነው ማሪጎልድ ከምግብ-ወደፊት ጥልቀት ሞዴሎች ቀርፋፋ የሆነው?

የስርጭት ሞዴሎች በበርካታ ደረጃዎች ይቃወማሉ፣ ይህም ግምቱን ከአንድ ወደፊት ማለፊያ ቀርፋፋ ያደርገዋል።

ማሪጎልድ የማሰራጨት ሂደቱን የሚያከናውነው በየትኛው ቦታ ላይ ነው?

ሁለቱም ምስል እና ጥልቀት በ VAE ድብቅ ቦታ ውስጥ ዩ-ኔት ውድቅ ተደርጓል።