Преглед
DreamFusion генерира 3D обекти от текст, като използва модел на дифузия на 2D изображение като критик, без да тренира върху каквито и да е 3D данни. Неговото основно изобретение, Score Destillation Sampling, се превърна в основополагаща рецепта за цялото поле за преобразуване на текст в 3D.
DreamFusion и Score Destillation Sampling принадлежат към работни потоци за компютърно зрение, които интерпретират или генерират визуална медия за анализ, операции и творчество.
Дълбоко гмуркане
DreamFusion, от Google през 2022 г., попита: може ли 2D модел текст към изображение да научи 3D сцена да изглежда правилно от всеки ъгъл? Той оптимизира NeRF (Neural Radiance Field), така че изобразяванията от произволни гледни точки на камерата, когато са шумени и показани на модел на замразена дифузия (Imagen), се оценяват като правдоподобни изображения за текстовата подкана. Най-важното е, че не използва данни за 3D обучение. Пробивът е Score Distillation Sampling (SDS): вместо обратно разпространение през скъпата U-Net на дифузионния модел, SDS използва прогнозирания шум на модела като градиентен сигнал директно върху изобразените пиксели. Итерирането на това в хиляди гледни точки извайва последователен 3D актив, пълен с геометрия и зависим от изгледа вид, от едно изречение.
Техническа информация
SDS третира дифузионния модел като замразена точкова функция. Той изобразява NeRF, добавя шум, иска от дифузионната U-Net да предскаже този шум и изчислява градиента като (предсказан шум минус добавен шум) се избутва обратно върху изобразеното изображение и по този начин теглата на NeRF. Пропускането на U-Net Jacobian го прави податлив. Необходими са високи насоки без класификатор (около 100) за ясни резултати, което причинява характерния пренаситен, понякога замъглен „вид на DreamFusion“.
Овладяване на DreamFusion и Score Distillation Sampling
DreamFusion генерира 3D обекти от текст, като използва модел на дифузия на 2D изображение като критик, без да тренира върху каквито и да е 3D данни. Неговото основно изобретение, Score Destillation Sampling, се превърна в основополагаща рецепта за цялото поле за преобразуване на текст в 3D. DreamFusion и Score Destillation Sampling принадлежат към работни потоци за компютърно зрение, които интерпретират или генерират визуална медия за анализ, операции и творчество. За да изградите дълбоко разбиране, третирайте DreamFusion и Score Destillation Sampling като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно от това, което все още изисква експертна преценка.
На практика силните екипи, използващи DreamFusion и Score Destillation Sampling, балансират точността с оперативните реалности като качество на данните, вариация на осветлението и последователност на етикетите. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Visual AI може да автоматизира задачи за проверка, откриване и маркиране в мащаб. В същото време правата върху изображението и съгласието могат да се превърнат в правни рискове, ако произходът е неясен. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Visual AI може да автоматизира задачи за проверка, откриване и маркиране в мащаб.
Visual AI може да автоматизира задачи за проверка, откриване и маркиране в мащаб. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Творческите екипи могат да създават прототипи на концепции по-бързо с по-малко ръчни ревизии.
Творческите екипи могат да създават прототипи на концепции по-бързо с по-малко ръчни ревизии. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Операциите могат да използват изображения и видео сигнали, които преди са били трудни за обработка.
Операциите могат да използват изображения и видео сигнали, които преди са били трудни за обработка. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Внедряване в реалния свят
Генериране на 3D модел на „DSLR снимка на катерица, носеща малка шапка“ само от текст
Създаване на чернова на игра и AR активи без ръчно 3D скулптуриране
Произвеждане на експортируеми мрежи, които художниците прецизират, вместо да изграждат от нулата
Изследвайте базовите линии за оценка на по-нови методи за преобразуване на текст в 3D спрямо SDS
Модели на изпълнение
DreamFusion и Score Distillation Sampling на практика
Генериране на 3D модел на „DSLR снимка на катерица, носеща малка шапка“ само от текст.
Генериране на 3D модел на „DSLR снимка на катерица, носеща малка шапка“ само от текст Екипите обикновено получават по-добри резултати, когато определят праговете за качество предварително, поддържат човешки път за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
DreamFusion и Score Distillation Sampling на практика
Създаване на чернова на игра и AR активи без ръчно 3D скулптуриране.
Създаване на чернова на игра и AR активи без ръчно 3D скулптуриране Екипите обикновено получават по-добри резултати, когато дефинират предварително прагове за качество, поддържат човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
DreamFusion и Score Distillation Sampling на практика
Произвеждане на експортируеми мрежи, които художниците прецизират, вместо да изграждат от нулата.
Произвеждане на мрежи за експортиране, които художниците прецизират, вместо да изграждат от нулата. Екипите обикновено получават по-добри резултати, когато определят предварително праговете за качество, поддържат човешки път за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
DreamFusion и Score Distillation Sampling на практика
Изследвайте базовите линии за оценка на по-нови методи за преобразуване на текст в 3D спрямо SDS.
Изследователските базови линии за оценка на по-нови методи за преобразуване на текст в 3D спрямо SDS Екипите обикновено получават по-добри резултати, когато дефинират предварително прагове за качество, поддържат човешки път за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Рискове и предпазни огради
Правата върху изображението и съгласието могат да се превърнат в правни рискове, ако произходът е неясен.
Производителността на модела може да варира в зависимост от осветлението, демографските данни и средата.
Фалшивите положителни резултати могат да останат незабелязани, освен ако не се наблюдават праговете на достоверност.
Пътна карта за изпълнение
Определете критерии за приемане за прецизност, извикване и разходи за грешки.
Определете критерии за приемане за прецизност, извикване и разходи за грешки. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Тествайте с данни, които съответстват на реалните производствени условия.
Тествайте с данни, които съответстват на реалните производствени условия. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Добавете преглед от човек за прогнози с ниска степен на сигурност или с голямо въздействие.
Добавете преглед от човек за прогнози с ниска степен на сигурност или с голямо въздействие. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Проследявайте дрейфа на модела и проверявайте отново след промени в камерата или набора от данни.
Проследявайте дрейфа на модела и проверявайте отново след промени в камерата или набора от данни. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.