Преглед
Marigold пренасочва предварително обучен дифузионен модел за генериране на изображения (Stable Diffusion), за да предскаже много детайлни карти на дълбочината. Той показва, че можете да превърнете богатите визуални познания на генератора в прецизен инструмент за възприемане с изненадващо малко данни за обучение.
Оценката на дълбочината на дифузия на Marigold принадлежи към работни потоци за компютърно зрение, които интерпретират или генерират визуална медия за анализ, операции и творчество.
Дълбоко гмуркане
Marigold (ETH Zurich, CVPR 2024 Best Paper Honorable Mention) преформулира оценката на дълбочината като условен проблем за генериране. Вместо да обучава дълбочинна мрежа от нулата, той фино настройва Stable Diffusion, за да „генерира“ карта на дълбочината, обусловена от входно изображение. Прозрението е, че модел, обучен да синтезира фотореалистични изображения, вече е научил геометрията на сцената, осветлението и структурата дълбоко в своето латентно пространство, точно предишните неща, полезни за дълбочината. Забележително е, че Marigold беше фино настроен само върху синтетични набори от данни (като Hypersim и Virtual KITTI), но въпреки това се обобщава добре за реални снимки с нулева снимка. Той произвежда афинно-инвариантна относителна дълбочина с изключително фини детайли, въпреки че итеративното премахване на шума го прави по-бавен от моделите с подаване напред като DepthAnything.
Техническа информация
Marigold работи в латентното пространство на Stable Diffusion. И изображението, и картата на дълбочината са кодирани от един и същ VAE; U-Net е фино настроен, за да обезшуми латентна дълбочина, обусловена от латентното чисто изображение. При извода той изпълнява стандартния итеративен цикъл за премахване на шума, след което декодира латентната дълбочина. Тъй като взема проби, множество изпълнения могат да бъдат групирани за стабилност, търгувайки изчисления за точност. По-късните 'LCM' и едностъпковите дестилирани версии намаляват десетките стъпки до едно минаване.
Овладяване на оценката на дълбочината на дифузия на невен
Marigold пренасочва предварително обучен дифузионен модел за генериране на изображения (Stable Diffusion), за да предскаже много детайлни карти на дълбочината. Той показва, че можете да превърнете богатите визуални познания на генератора в прецизен инструмент за възприемане с изненадващо малко данни за обучение. Оценката на дълбочината на дифузия на Marigold принадлежи към работни потоци за компютърно зрение, които интерпретират или генерират визуална медия за анализ, операции и творчество. За да изградите дълбоко разбиране, третирайте Marigold Diffusion Depth Estimation 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, силни екипи, използващи Marigold Diffusion Depth Estimation, 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
Извличане на фина дълбочина от архитектурни и продуктови снимки за повторно осветяване и 3D макети.
Генериране на карти с дълбочина с висока детайлност, използвани като кондициониране за генериране на управляемо изображение и видео.
Подпомагане на филмови и VFX екипи при работа с мат и паралакс, където прецизността на ръбовете има значение.
Служи като базова линия за изследване, показваща как да се адаптират генеративни преди към задачи за гъсто прогнозиране.
Модели на изпълнение
Оценка на дълбочината на дифузия на невен на практика
Извличане на фина дълбочина от архитектурни и продуктови снимки за повторно осветяване и 3D макети.
Извличане на фина дълбочина от архитектурни и продуктови снимки за повторно осветяване и 3D макети Екипите обикновено получават по-добри резултати, когато дефинират праговете за качество отпред, поддържат човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Оценка на дълбочината на дифузия на невен на практика
Генериране на карти с дълбочина с висока детайлност, използвани като кондициониране за генериране на управляемо изображение и видео.
Генериране на високодетайлни карти на дълбочина, използвани като кондициониране за контролируемо генериране на изображения и видео Екипите обикновено получават по-добри резултати, когато дефинират праговете на качеството предварително, поддържат човешки път за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Оценка на дълбочината на дифузия на невен на практика
Подпомагане на филмови и VFX екипи при работа с мат и паралакс, където прецизността на ръбовете има значение.
Подпомагане на филмови и VFX екипи при работа с мат и паралакс, където прецизността на ръбовете е от значение Екипите обикновено получават по-добри резултати, когато определят праговете за качество предварително, поддържат човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Оценка на дълбочината на дифузия на невен на практика
Служи като базова линия за изследване, показваща как да се адаптират генеративни преди към задачи за гъсто прогнозиране.
Служейки като базова линия за изследване, показваща как да се адаптират генеративни предишни задачи към задачи за гъсто прогнозиране Екипите обикновено получават по-добри резултати, когато дефинират предварително прагове за качество, поддържат път на човешка 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.