DepthAnything Monocular Depth
DepthAnything হল একটি ভিত্তি মডেল যা অনুমান করে যে প্রতিটি পিক্সেল একটি একক সাধারণ ফটো থেকে কত দূরে, কোন বিশেষ হার্ডওয়্যার ছাড়াই।
ওভারভিউ
এটি শক্তিশালী, সাধারণ-উদ্দেশ্যের গভীরতা সংবেদনকে সস্তা এবং ফোন থেকে রোবট পর্যন্ত যেকোনো কিছুর জন্য অ্যাক্সেসযোগ্য করে তুলেছে।
গভীর ডুব
DepthAnything (2024, TikTok/ByteDance এবং HKU সহ গবেষকদের দ্বারা প্রকাশিত) মনোকুলার গভীরতার অনুমানকে মোকাবেলা করে: একটি RGB চিত্র থেকে একটি গভীরতার মানচিত্র ভবিষ্যদ্বাণী করা। এটির অগ্রগতি ছিল স্কেল: শুধুমাত্র উপলব্ধ সীমিত লেবেলযুক্ত গভীরতার ডেটার উপর নির্ভর না করে, দলটি একটি ইঞ্জিন তৈরি করেছে যা একজন শিক্ষক মডেল ব্যবহার করে প্রায় 62 মিলিয়ন লেবেলবিহীন ফটোগুলিকে স্বয়ংক্রিয়ভাবে লেবেল করেছে, তারপর এই বিশাল সংস্থার উপর একজন ছাত্রকে প্রশিক্ষণ দিয়েছে৷ এটি অন্দর, বহিরঙ্গন এবং অস্বাভাবিক দৃশ্য জুড়ে শক্তিশালী শূন্য-শট সাধারণীকরণ দেয়। আসল আউটপুট আপেক্ষিক গভীরতা (যা পিক্সেল কাছাকাছি বা দূরে, সঠিক মিটার নয়)। DepthAnything V2 (2024-এর মাঝামাঝি) নিখুঁত গ্রাউন্ড-ট্রুথ সহ কৃত্রিম ডেটার উপর শিক্ষককে প্রশিক্ষণ দিয়ে, তারপর বাস্তব চিত্রে পাতিত করা, ঝাপসা প্রান্ত এবং স্বচ্ছ-বস্তুর ত্রুটিগুলি সংশোধন করে সূক্ষ্ম বিবরণকে তীক্ষ্ণ করেছে।
প্রযুক্তিগত অন্তর্দৃষ্টি
এটি একটি DINOv2 ভিশন-ট্রান্সফরমার এনকোডার ব্যবহার করে যা একটি DPT-শৈলীর ঘন ভবিষ্যদ্বাণী মাথা খায়। মূল কৌশলটি হল আধা-তত্ত্বাবধানে পাতন করা: একজন শিক্ষক লেবেলযুক্ত ডেটা ছদ্ম-লেবেল লক্ষ লক্ষ লেবেলবিহীন চিত্রের উপর প্রশিক্ষিত, এবং একজন ছাত্র উভয় থেকেই শেখে। V2 পিক্সেল-নিখুঁত গভীরতার সাথে সিন্থেটিক ডেটার জন্য শোরগোলযুক্ত বাস্তব লেবেলগুলিকে অদলবদল করে, তারপরে বাস্তব ফটোগুলিতে ফিরে আসে, খাস্তা সীমানা বজায় রেখে বাস্তব গভীরতার টীকাগুলির অভাব এবং শব্দকে পাশ কাটিয়ে।
কৌশলগত প্রভাব
গতি এবং স্কেল
ভিজ্যুয়াল এআই স্কেলে পরিদর্শন, সনাক্তকরণ এবং ট্যাগিং কাজগুলি স্বয়ংক্রিয়ভাবে করতে পারে।
পছন্দগুলি তৈরি করুন
সৃজনশীল দলগুলি কম ম্যানুয়াল সংশোধন সহ ধারণাগুলিকে দ্রুত প্রোটোটাইপ করতে পারে।
টিম এবং ওয়ার্কফ্লো
অপারেশনগুলি ইমেজ এবং ভিডিও সংকেত ব্যবহার করতে পারে যা আগে প্রক্রিয়া করা কঠিন ছিল।
গভীরতার ভবিষ্যত যেকোনও কিছু মনোকুলার ডেপথ
AR চশমা, স্মার্টফোন ক্যামেরা এবং রোবোটিক্সের সাথে আরও কঠোর একীকরণ আশা করুন যেখানে ডেডিকেটেড LiDAR খুব ব্যয়বহুল বা ভারী। মেট্রিক ভেরিয়েন্ট যা সত্য মিটার আউটপুট করে, এছাড়াও অস্থায়ীভাবে স্থিতিশীল গভীরতা সহ ভিডিও মডেলগুলি (ফ্রেমের মধ্যে কোন ফ্লিকার নেই), দ্রুত অগ্রসর হচ্ছে৷ যেহেতু এই মডেলগুলি রিয়েল টাইমে ডিভাইসে চালানোর জন্য সঙ্কুচিত হয়, একক-ক্যামেরা 3D উপলব্ধি একটি ডিফল্ট ক্ষমতা হয়ে উঠবে, স্থানিক কম্পিউটিং, স্বায়ত্তশাসিত নেভিগেশন, এবং জেনারেটিভ 3D দৃশ্য পুনর্গঠন প্রদান করবে।
বাস্তব-বিশ্ব বাস্তবায়ন
একক-লেন্স স্মার্টফোন পোর্ট্রেট ফটোতে বাস্তবসম্মত ব্যাকগ্রাউন্ড ব্লার (বোকেহ) চালানোর জন্য গভীরতার মানচিত্র তৈরি করা হচ্ছে।
LiDAR বা স্টেরিও ক্যামেরা নেই এমন কম দামের ড্রোন এবং রোবটগুলির জন্য 3D বাধা উপলব্ধি প্রদান করা।
কন্ট্রোলনেটের জন্য গভীরতা কন্ডিশনার মানচিত্র তৈরি করা যাতে চিত্র জেনারেটরগুলি দৃশ্যের জ্যামিতি সংরক্ষণ করে।
VR এবং স্টেরিওস্কোপিক ডিসপ্লের জন্য 2D ফটো এবং ফিল্মকে 3D বা প্যারালাক্স ইফেক্টে রূপান্তর করা।
ঝুঁকি এবং প্রহরী
প্রমাণ অস্পষ্ট হলে ছবির অধিকার এবং সম্মতি আইনি ঝুঁকিতে পরিণত হতে পারে।
মডেলের কর্মক্ষমতা আলো, জনসংখ্যা এবং পরিবেশ জুড়ে পরিবর্তিত হতে পারে।
আস্থার থ্রেশহোল্ডগুলি পর্যবেক্ষণ করা না হলে মিথ্যা ইতিবাচকগুলি অলক্ষিত হতে পারে।
বাস্তবায়ন রোডম্যাপ
নির্ভুলতা, প্রত্যাহার, এবং ত্রুটি খরচের জন্য গ্রহণযোগ্যতার মানদণ্ড নির্ধারণ করুন।
প্রকৃত উৎপাদন অবস্থার সাথে মেলে এমন ডেটা দিয়ে পরীক্ষা করুন।
কম-আস্থা বা উচ্চ-প্রভাব ভবিষ্যদ্বাণীর জন্য মানুষের পর্যালোচনা যোগ করুন।
মডেল ড্রিফ্ট ট্র্যাক করুন এবং ক্যামেরা বা ডেটাসেট পরিবর্তনের পরে পুনরায় যাচাই করুন।
অন্বেষণ চালিয়ে যান
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.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
পরবর্তী গাইড
মনোকুলার গভীরতা অনুমান
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
DepthAnything monocular Depth কি?
DepthAnything হল একটি ভিত্তি মডেল যা অনুমান করে যে প্রতিটি পিক্সেল একটি একক সাধারণ ফটো থেকে কত দূরে, কোন বিশেষ হার্ডওয়্যার ছাড়াই। এটি শক্তিশালী, সাধারণ-উদ্দেশ্যের গভীরতা সংবেদনকে সস্তা এবং ফোন থেকে রোবট পর্যন্ত যেকোনো কিছুর জন্য অ্যাক্সেসযোগ্য করে তুলেছে।
'মনোকুলার' গভীরতা অনুমান মানে কি?
মনোকুলার মানে গভীরতা একটি (মনো) ক্যামেরা ইমেজ থেকে অনুমান করা হয়, কোন স্টেরিও পেয়ার বা সক্রিয় সেন্সর নেই।
শক্তিশালী সাধারণীকরণ অর্জনের জন্য DepthAnything এর প্রধান কৌশল কি ছিল?
দলটি এমন একটি ডেটা ইঞ্জিন তৈরি করেছে যা লক্ষ লক্ষ লেবেলবিহীন ফটোগুলিকে ছদ্ম-লেবেলযুক্ত করেছে, নাটকীয়ভাবে প্রশিক্ষণের স্কেলকে প্রসারিত করেছে।
DepthAnything কি ব্যাকবোন এনকোডার তৈরি করে?
DepthAnything একটি DINOv2 ViT এনকোডার ব্যবহার করে যা একটি DPT-শৈলীর ঘন ভবিষ্যদ্বাণী মাথার সাথে যুক্ত।
মূল DepthAnything প্রাথমিকভাবে আউটপুট কি ধরনের গভীরতা?
বেস মডেলটি পরম মেট্রিক দূরত্বের পরিবর্তে আপেক্ষিক গভীরতার ক্রম অনুমান করে।
কিভাবে DepthAnything V2 সূক্ষ্ম বিবরণ এবং প্রান্ত উন্নত করেছে?
V2 সঠিক গভীরতার সাথে সিন্থেটিক চিত্রগুলিতে শিক্ষককে প্রশিক্ষণ দিয়েছে, তারপর তীক্ষ্ণ সীমানার জন্য বাস্তব ফটোগুলিতে পাতিত হয়েছে৷