Преглед
Zero-1-to-3 превръща една снимка на обект в изображения на същия обект, гледани от всеки нов ъгъл, използвайки модел на дифузия, обусловен от въртенето на камерата, което поискате. Има значение, защото ви позволява да реконструирате 3D-последователни изгледи, без изобщо да сканирате обекта от няколко страни.
Zero-1-to-3 Novel View Diffusion принадлежи към работни потоци за компютърно зрение, които интерпретират или генерират визуална медия за анализ, операции и творчество.
Дълбоко гмуркане
Zero-1-to-3 (от Columbia, 2023) фино настройва стабилната дифузия, така че да може да извършва синтез на нов изглед с нулева снимка от едно входно изображение. Подавате му една снимка плюс относителна трансформация на камерата (завъртане и малък превод) и моделът генерира как би изглеждал обектът от тази нова гледна точка. Ключовата идея е, че големите 2D дифузионни модели, обучени върху огромни уеб колекции от изображения, имплицитно са усвоили геометрични и физически предишни данни за това как обектите изглеждат в 3D. Чрез фина настройка на синтетичен набор от данни на обекти, изобразени от много контролирани ъгли на камерата (използвайки Objaverse), моделът се научава да картографира тези предишни данни върху изричен контрол на камерата. След това генерираните изгледи могат да подадат 3D реконструкция надолу по веригата.
Техническа информация
Условията на модела върху изходното изображение са по два начина: вграждане на CLIP е свързано с относителната поза на камерата (азимут, кота, радиус), за да се насочи кръстосаното внимание, докато необработеното изображение е канално свързано към латентния шум, така че фините детайли и идентичността са запазени. Обучението използва триплети изображение-поза-изображение, изобразени от CAD обекти, така че мрежата научава контролируемото картографиране между промяна на гледна точка и произтичащата промяна на пиксела.
Овладяване на дифузията на нов изглед от нула 1 до 3
Zero-1-to-3 превръща една снимка на обект в изображения на същия обект, гледани от всеки нов ъгъл, използвайки модел на дифузия, обусловен от въртенето на камерата, което поискате. Има значение, защото ви позволява да реконструирате 3D-последователни изгледи, без изобщо да сканирате обекта от няколко страни. Zero-1-to-3 Novel View Diffusion принадлежи към работни потоци за компютърно зрение, които интерпретират или генерират визуална медия за анализ, операции и творчество. За да изградите дълбоко разбиране, третирайте Zero-1-to-3 Novel View Diffusion 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 Zero-1-to-3 Novel View Diffusion, балансират точността с оперативни 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 въртящи се изгледи на една снимка на продукт, така че списъкът на електронната търговия да може да показва артикула от всички страни
Стартиране на текстурирана 3D мрежа на обект от една случайна моментна снимка на телефон за визуализации на AR
Създаване на последователно многоъгълно референтно изкуство на персонаж или реквизит за концептуални художници на игри и филми
Подхранване на синтезирани нови изгледи в NeRF или Gaussian Splatting реконструкция за запълване на невидима геометрия
Модели на изпълнение
Zero-1-to-3 Novel View Diffusion на практика
Генериране на въртящи се изгледи на една снимка на продукт, така че списъкът на електронната търговия да може да показва артикула от всички страни.
Генериране на грамофонни изгледи на една снимка на продукт, така че списъкът на електронната търговия да може да показва артикула от всички страни Екипите обикновено получават по-добри резултати, когато определят прагове за качество отпред, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Zero-1-to-3 Novel View Diffusion на практика
Стартиране на текстурирана 3D мрежа на обект от една случайна моментна снимка на телефон за визуализации на AR.
Стартиране на текстурирана 3D мрежа на обект от една случайна моментна снимка на телефон за предварителни прегледи на AR Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Zero-1-to-3 Novel View Diffusion на практика
Създаване на последователно многоъгълно референтно изкуство на персонаж или реквизит за концептуални художници на игри и филми.
Създаване на последователно многоъгълно референтно изкуство на герой или реквизит за концептуални художници на игри и филми Екипите обикновено получават по-добри резултати, когато дефинират 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.
Zero-1-to-3 Novel View Diffusion на практика
Подхранване на синтезирани нови изгледи в NeRF или Gaussian Splatting реконструкция за запълване на невидима геометрия.
Подхранване на синтезирани нови изгледи в NeRF или Gaussian Splatting реконструкция за попълване на невидима геометрия Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество отпред, 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.