পরবর্তী আপপরবর্তী গাইড
ইফেক্টিভ ইমেজ জেনারেশন প্রম্পট লেখা
ভিজ্যুয়াল এআই
ভিজ্যুয়াল এআই গাইড
ইমেজ-টু-3ডি জেনারেশন কোনো বস্তুর একটি একক ফটো বা ছবিকে টেক্সচারযুক্ত 3D মডেলে পরিণত করে, সাধারণত একটি জাল, প্রায়ই সেকেন্ডের মধ্যে একটি ফিড-ফরোয়ার্ড নেটওয়ার্ক যেমন TripoSR ব্যবহার করে।
এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~3 min
মডেলটি যা দেখতে পারে তা পুনর্গঠন করে এবং প্রশিক্ষণে শেখা নিদর্শনগুলি থেকে লুকানো দিকগুলি অনুমান করে৷ এটি গুরুত্বপূর্ণ কারণ এটি দ্রুত 3D সম্পদগুলিকে অ-বিশেষজ্ঞদের কাছে অ্যাক্সেসযোগ্য করে তোলে, তবে এর আউটপুটটি একটি যুক্তিসঙ্গত অনুমান, বাস্তব বস্তুর পরিমাপ নয়।
ইমেজ-টু-3ডি জেনারেশন একটি বস্তুর একটি একক চিত্রকে একটি টেক্সচারযুক্ত 3D মডেলে পরিণত করে যা আপনি একটি গেম ইঞ্জিন, এআর ভিউয়ার বা মডেলিং টুলে ব্যবহার করতে পারেন। দ্রুত আধুনিক পদ্ধতি হল ফিড-ফরোয়ার্ড পুনর্গঠন: একজন প্রশিক্ষিত নেটওয়ার্কের মধ্য দিয়ে পাস করে, পুরানো প্রতি-অবজেক্ট অপ্টিমাইজেশান পদ্ধতিতে প্রয়োজনীয় মিনিট বা ঘন্টার পরিবর্তে সেকেন্ড নেয়। Adobe এবং অস্ট্রেলিয়ান ন্যাশনাল ইউনিভার্সিটির গবেষকদের দ্বারা 2023 সালের একটি গবেষণাপত্র, বড় পুনর্গঠন মডেল (LRM) থেকে মূল নকশাটি এসেছে। LRM একটি পূর্বপ্রশিক্ষিত ইমেজ এনকোডার (DINO) এবং একটি বৃহৎ ট্রান্সফরমার ব্যবহার করে যা চিত্রের বৈশিষ্ট্যকে একটি ট্রিপ্লেনে ম্যাপ করে: তিনটি অক্ষ-সারিবদ্ধ বৈশিষ্ট্য সমতল যা একসাথে একটি 3D ক্ষেত্র বর্ণনা করে। একটি ছোট নেটওয়ার্ক যেকোন সময়ে ঘনত্ব এবং রঙ ডিকোড করে, যা প্রশিক্ষণের সময় একটি NeRF এর মতো রেন্ডার করা যেতে পারে এবং পরে মার্চিং কিউব সহ একটি জালে রূপান্তরিত করা যেতে পারে। TripoSR, একটি MIT লাইসেন্সের অধীনে Stability AI এবং Tripo AI দ্বারা মার্চ 2024 সালে প্রকাশিত, LRM ডিজাইনের উপর নির্মিত এবং একটি সক্ষম GPU-তে এক সেকেন্ডের মধ্যে পুনর্গঠনের রিপোর্ট করেছে। স্থিতিশীলতার পরবর্তীতে স্থিতিশীল দ্রুত 3D-তে UV-আবদ্ধ টেক্সচার এবং উপাদান অনুমান যুক্ত করা হয়েছে। অন্য একটি পরিবার প্রথমে একটি প্রসারিত মডেল ব্যবহার করে বস্তুর নতুন দৃষ্টিভঙ্গি কল্পনা করতে, একটি ধারণা যা জিরো-1-টু-3 দ্বারা অগ্রগামী, এবং তারপর সেই দৃষ্টিভঙ্গিগুলি থেকে পুনর্গঠন করে, যেমন ইনস্ট্যান্টমেশ করে। কেন্দ্রীয় সীমাবদ্ধতা হল যে একটি ফটোতে বস্তুর পিছনে থাকে না। লুকানো সমস্ত কিছু একটি শেখা অনুমান, প্রশিক্ষণের ডেটা দ্বারা আকৃতি যেমন 3D সম্পদের বড় Objaverse সংগ্রহ। সাধারণ, প্রতিসম বস্তুগুলি প্রশংসনীয়ভাবে বেরিয়ে আসে; অস্বাভাবিক নকশা, পাতলা অংশ, স্বচ্ছ বা চকচকে উপকরণ এবং সূক্ষ্ম টেক্সট প্রায়ই ব্যর্থ হয়। স্কেল একটি একক চিত্র থেকে অজানা, তাই মাত্রা বিশ্বাসযোগ্য নয়। একটি ঘন ঘন ভুল ধারণা হল যে এটি 3D স্ক্যানিং বা ফটোগ্রামমেট্রির সমান, যা অনেক ফটো থেকে বাস্তব জ্যামিতি পরিমাপ করে। একক-ইমেজ মডেলগুলি ধারণা, স্থানধারক এবং প্রোটোটাইপগুলির সাথে মানানসই, এমন অংশগুলি নয় যা অবশ্যই ফিট হবে৷
একজন ইন্ডি গেম ডেভেলপার একটি সিরামিক মগের ছবি তোলে, ব্যাকগ্রাউন্ড সরিয়ে দেয় এবং রান্নাঘরের দৃশ্যের জন্য প্লেসহোল্ডার প্রপ হিসাবে সেকেন্ডের মধ্যে একটি জাল পেতে TripoSR ব্যবহার করে।
একজন পেশাদার মডেলার চূড়ান্ত সংস্করণ তৈরি করার আগে একটি পণ্য ডিজাইনার একটি ল্যাম্পের একটি ধারণার স্কেচকে একটি রুক্ষ 3D মডেলে পরিণত করে বিভিন্ন কোণ থেকে দেখার জন্য৷
একজন শৌখিন ব্যক্তি একটি ফটো থেকে একটি প্রতিস্থাপনের নব 3D-প্রিন্ট করার চেষ্টা করেন এবং দেখতে পান যে মাত্রাগুলি বন্ধ হয়ে গেছে এবং লুকানো পিছনে উদ্ভাবিত হয়েছে, তাই তিনি ক্যালিপার দিয়ে এটি পরিমাপ করতে স্যুইচ করেন৷
একজন অনলাইন বিক্রেতা একজন AR দর্শকের জন্য একটি প্লাশ খেলনার একটি 3D প্রিভিউ তৈরি করেন, তারপর লক্ষ্য করেন যে অদেখা পিছনে একটি অনুমান করা সিম প্যাটার্ন রয়েছে যা আসল খেলনার সাথে মেলে না।
গবেষণা উচ্চ-রেজোলিউশনের জ্যামিতি, ক্লিনার মেশ টপোলজি, বেকড রঙের পরিবর্তে সঠিক পিবিআর উপকরণ এবং উপলব্ধ হলে একাধিক ইনপুট ফটোর আরও ভাল ব্যবহারের দিকে এগিয়ে চলেছে। ফিড-ফরোয়ার্ড পুনর্গঠনের সাথে মাল্টি-ভিউ ডিফিউশনের সংমিশ্রণে লুকানো-পার্শ্বের সম্ভাব্যতা উন্নত হয়েছে, কিন্তু একটি একক চিত্র সর্বদা পিছনের অংশকে অবমূল্যায়ন করবে, তাই অনুমান করা যাবে না। গেম ইঞ্জিন এবং ডিজাইন সরঞ্জামগুলিতে আরও কঠোর সংহতকরণ এবং দ্রুত প্রোটোটাইপিংয়ের জন্য আরও বেশি ব্যবহার আশা করুন। নির্ভুলতা-সমালোচনামূলক কাজের জন্য, ফটোগ্রামমেট্রি, গভীরতা সেন্সর এবং CAD এর মতো পরিমাপ করা পদ্ধতিগুলি প্রয়োজনীয় থাকতে পারে।
ফ্রি নিউজলেটার
প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।
প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।
নিজেকে পরীক্ষা করুন
প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।
ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন
ইমেজ-টু-3ডি জেনারেশন কোনো বস্তুর একটি একক ফটো বা ছবিকে টেক্সচারযুক্ত 3D মডেলে পরিণত করে, সাধারণত একটি জাল, প্রায়ই সেকেন্ডের মধ্যে একটি ফিড-ফরোয়ার্ড নেটওয়ার্ক যেমন TripoSR ব্যবহার করে। মডেলটি যা দেখতে পারে তা পুনর্গঠন করে এবং প্রশিক্ষণে শেখা নিদর্শনগুলি থেকে লুকানো দিকগুলি অনুমান করে৷ এটি গুরুত্বপূর্ণ কারণ এটি দ্রুত 3D সম্পদগুলিকে অ-বিশেষজ্ঞদের কাছে অ্যাক্সেসযোগ্য করে তোলে, তবে এর আউটপুটটি একটি যুক্তিসঙ্গত অনুমান, বাস্তব বস্তুর পরিমাপ নয়।
ফিড-ফরোয়ার্ড মডেলগুলি একটি একক পাসে সরাসরি 3D ভবিষ্যদ্বাণী করে, পুরানো পদ্ধতিগুলির বিপরীতে যা মিনিট বা ঘন্টার মধ্যে প্রতি অবজেক্টকে অপ্টিমাইজ করে।
LRM একটি ট্রিপ্লেন ভবিষ্যদ্বাণী করে, যা একটি ছোট নেটওয়ার্ক যেকোনো 3D পয়েন্টে ঘনত্ব এবং রঙে ডিকোড করে।
TripoSR একটি MIT লাইসেন্সের অধীনে Stability AI এবং Tripo AI দ্বারা প্রকাশিত হয়েছিল এবং LRM ডিজাইনের উপর নির্মিত হয়েছিল।
মার্চিং কিউবগুলি একটি ঘনত্বের ক্ষেত্রকে একটি ত্রিভুজ জাল পৃষ্ঠে রূপান্তর করে।
Zero-1-to-3 প্রসারের সাথে অভিনব দৃষ্টিভঙ্গি তৈরি করার পথপ্রদর্শক, যা থেকে InstantMesh এর মতো পদ্ধতিগুলি তারপর পুনর্গঠন করে।
শিখতে থাকুন
এই বিষয়ের জন্য বাছাই করা আরও গাইড
পরবর্তী আপপরবর্তী গাইড
ইফেক্টিভ ইমেজ জেনারেশন প্রম্পট লেখা
ভিজ্যুয়াল এআই