ΕπόμενοΕπόμενος οδηγός
Μονοφθάλμια Εκτίμηση Βάθους
Οπτική τεχνητή νοημοσύνη
ΟΔΗΓΟΣ οπτικού AI
DepthAnything Μονόφθαλμο Βάθος
Το DepthAnything είναι ένα μοντέλο βάσης που υπολογίζει πόσο μακριά είναι κάθε pixel από μια απλή φωτογραφία, χωρίς ειδικό υλικό.
Ακούστε αυτόν τον οδηγόαφήγηση με AI · ~2 min
Σε αυτήν τη σελίδα2 λεπτά ανάγνωση
Επισκόπηση
Έκανε την ισχυρή, γενικής χρήσης ανίχνευση βάθους φθηνή και προσιτή για οτιδήποτε, από τηλέφωνα μέχρι ρομπότ.
Βαθιά κατάδυση
Το DepthAnything (2024, που κυκλοφόρησε από ερευνητές, συμπεριλαμβανομένων εκείνων του TikTok/ByteDance και του HKU) αντιμετωπίζει την εκτίμηση μονόφθαλμου βάθους: πρόβλεψη χάρτη βάθους από μία εικόνα RGB. Η ανακάλυψη του ήταν μεγάλης κλίμακας: αντί να βασίζεται μόνο στα περιορισμένα διαθέσιμα δεδομένα βάθους με ετικέτα, η ομάδα κατασκεύασε μια μηχανή που σήμανε αυτόματα περίπου 62 εκατομμύρια φωτογραφίες χωρίς ετικέτα χρησιμοποιώντας ένα μοντέλο δασκάλου και στη συνέχεια εκπαίδευσε έναν μαθητή σε αυτό το τεράστιο σώμα. Αυτό δίνει ισχυρή γενίκευση μηδενικής λήψης σε εσωτερικές, εξωτερικές και ασυνήθιστες σκηνές. Η αρχική έξοδος είναι σχετικό βάθος (τα οποία εικονοστοιχεία είναι πιο κοντά ή μακρύτερα, όχι ακριβή μέτρα). Το DepthAnything V2 (μέσα του 2024) ακονίζει τις λεπτές λεπτομέρειες εκπαιδεύοντας τον δάσκαλο σε συνθετικά δεδομένα με τέλεια εδαφική αλήθεια, στη συνέχεια με απόσταξη σε πραγματικές εικόνες, διορθώνοντας θολές άκρες και σφάλματα διαφανών αντικειμένων.
Υλοποίηση σε πραγματικό κόσμο
Δημιουργήστε χάρτες βάθους για να δημιουργήσετε ρεαλιστικό θάμπωμα φόντου (bokeh) σε φωτογραφίες πορτρέτου smartphone με έναν φακό.
Παροχή τρισδιάστατης αντίληψης εμποδίων για drones και ρομπότ χαμηλού κόστους που δεν διαθέτουν LiDAR ή στερεοφωνικές κάμερες.
Δημιουργία χαρτών ρύθμισης βάθους για το ControlNet, ώστε οι γεννήτριες εικόνων να διατηρούν τη γεωμετρία της σκηνής.
Μετατροπή φωτογραφιών και ταινιών 2D σε εφέ 3D ή παράλλαξης για VR και στερεοσκοπικές οθόνες.
The Future of DepthAnything Monocular Depth
Αναμένετε στενότερη ενσωμάτωση σε γυαλιά AR, κάμερες smartphone και ρομποτική όπου το αποκλειστικό LiDAR είναι πολύ δαπανηρό ή ογκώδες. Οι μετρικές παραλλαγές που εξάγουν αληθινούς μετρητές, καθώς και τα μοντέλα βίντεο με προσωρινά σταθερό βάθος (χωρίς τρεμόπαιγμα μεταξύ των καρέ), προχωρούν γρήγορα. Καθώς αυτά τα μοντέλα συρρικνώνονται για να λειτουργούν στη συσκευή σε πραγματικό χρόνο, η τρισδιάστατη αντίληψη μιας κάμερας θα γίνει μια προεπιλεγμένη δυνατότητα, τροφοδοτώντας χωρικούς υπολογιστές, αυτόνομη πλοήγηση και αναπαράσταση 3D σκηνής.
Κάνοντάς το στην πράξη
Γιατί έχει σημασία
- Ταχύτητα και κλίμακα. Το Visual AI μπορεί να αυτοματοποιήσει εργασίες επιθεώρησης, ανίχνευσης και επισήμανσης σε κλίμακα.
- Δημιουργήστε επιλογές. Οι δημιουργικές ομάδες μπορούν να δημιουργήσουν πρωτότυπες ιδέες γρηγορότερα με λιγότερες μη αυτόματες αναθεωρήσεις.
- Ομάδα και ροή εργασίας. Οι λειτουργίες μπορούν να χρησιμοποιούν σήματα εικόνας και βίντεο που προηγουμένως ήταν δύσκολο να επεξεργαστούν.
Προσέξτε
- Τα δικαιώματα εικόνας και η συναίνεση μπορεί να αποτελέσουν νομικούς κινδύνους εάν η προέλευση είναι ασαφής.
- Η απόδοση του μοντέλου μπορεί να διαφέρει ανάλογα με το φωτισμό, τα δημογραφικά στοιχεία και τα περιβάλλοντα.
- Τα ψευδώς θετικά μπορεί να περάσουν απαρατήρητα εκτός εάν παρακολουθούνται τα όρια εμπιστοσύνης.
Επόμενα βήματα
- Καθορίστε κριτήρια αποδοχής για το κόστος ακρίβειας, ανάκλησης και σφάλματος.
- Δοκιμή με δεδομένα που ταιριάζουν με πραγματικές συνθήκες παραγωγής.
- Προσθέστε ανθρώπινη κριτική για προβλέψεις χαμηλής εμπιστοσύνης ή υψηλού αντίκτυπου.
- Παρακολουθήστε τη μετατόπιση του μοντέλου και επικυρώστε εκ νέου μετά από αλλαγές κάμερας ή δεδομένων.
Συνεχίστε την εξερεύνηση
Δωρεάν ενημερωτικό δελτίο
Λάβετε την καθημερινή ενημέρωση AI
Τρία επαληθευμένα νέα AI κάθε πρωί της εβδομάδας, γραμμένα σε απλή αγγλική. Δωρεάν για πάντα, χωρίς διαφημίσεις.
Ένα email κάθε εργάσιμη ημέρα. Κατάργηση συνδρομής με ένα κλικ. Δεν πουλάμε ή μοιραζόμαστε ποτέ τη διεύθυνσή σας.
Δοκιμάστε τον εαυτό σας
Take the DepthAnything Monocular Depth quiz
Άμεση ανάδραση σε κάθε απάντηση, και πιστοποιητικό με επαληθεύσιμο ID μόλις περάσετε το μάθημα.
Υποστηρίξτε τη δωρεάν εκπαίδευση AI. AI Understanding είναι μια μη κερδοσκοπική οργάνωση 501(c)(3) — χωρίς διαφημίσεις, χωρίς τοίχο πληρωμής, ποτέ. Κάντε μια δωρεά
Συχνές ερωτήσεις
Τι είναι το DepthAnything Monocular Depth;
Το DepthAnything είναι ένα μοντέλο βάσης που υπολογίζει πόσο μακριά είναι κάθε pixel από μια απλή φωτογραφία, χωρίς ειδικό υλικό. Έκανε την ισχυρή, γενικής χρήσης ανίχνευση βάθους φθηνή και προσιτή για οτιδήποτε, από τηλέφωνα μέχρι ρομπότ.
Τι σημαίνει «μονόφθαλμη» εκτίμηση βάθους;
Μονόφθαλμος σημαίνει ότι το βάθος συνάγεται από μία (μονοφωνική) εικόνα κάμερας, χωρίς στερεοφωνικό ζεύγος ή ενεργό αισθητήρα.
Ποια ήταν η κύρια στρατηγική του DepthAnything για την επίτευξη ισχυρής γενίκευσης;
Η ομάδα κατασκεύασε μια μηχανή δεδομένων που έβαλε ψευδοσήμανση σε δεκάδες εκατομμύρια φωτογραφίες χωρίς ετικέτα, επεκτείνοντας δραματικά την κλίμακα εκπαίδευσης.
Σε ποιον βασικό κωδικοποιητή βασίζεται το DepthAnything;
Το DepthAnything χρησιμοποιεί έναν κωδικοποιητή DINOv2 ViT σε συνδυασμό με μια πυκνή κεφαλή πρόβλεψης τύπου DPT.
Τι είδους βάθος βγάζει κυρίως το αρχικό DepthAnything;
Το βασικό μοντέλο προβλέπει διάταξη σχετικού βάθους και όχι απόλυτες μετρικές αποστάσεις.
Πώς το DepthAnything V2 βελτίωσε τις λεπτές λεπτομέρειες και τις άκρες;
Το V2 εκπαίδευσε τον δάσκαλο σε συνθετικές εικόνες με ακριβές βάθος και στη συνέχεια αποστάχθηκε σε πραγματικές φωτογραφίες για πιο ευκρινή όρια.
Συνέχισε να μαθαίνεις
Σχετικοί οδηγοί
Επιλέχθηκαν περισσότεροι οδηγοί για αυτό το θέμα