Tiếp theoHướng dẫn tiếp theo
Hiển thị văn bản trong hình ảnh do AI tạo ra
AI trực quan
HƯỚNG DẪN AI trực quan
Hiển thị khác biệt
Kết xuất có thể phân biệt kết nối các tham số cảnh với pixel được hiển thị để việc mất hình ảnh có thể tối ưu hóa các thông số hình học, vật liệu hoặc máy ảnh.
Nghe hướng dẫn nàyAI thuật lại · ~1 min
Trên trang nàyđọc 1 phút
Lặn sâu
Quá trình rasterization tiêu chuẩn bao gồm các quyết định lấy mẫu và hiển thị rời rạc có thể làm gián đoạn độ dốc. Soft Rasterizer sử dụng phép tổng hợp xác suất để tạo ra một phép tính gần đúng khả vi. Redner tính toán độ dốc thông qua kết xuất Monte Carlo và lấy mẫu cạnh. Các phương pháp này hỗ trợ các tác vụ hiển thị nghịch đảo nhưng không đảm bảo khả năng phục hồi cảnh duy nhất hoặc chính xác về mặt vật lý từ hình ảnh. NeRF ánh xạ vị trí không gian và hướng xem theo mật độ âm lượng và độ sáng phụ thuộc vào chế độ xem, sau đó hiển thị âm lượng dọc theo tia camera. Thay vào đó, 3D Gaussian Splatting tối ưu hóa các nguyên hàm Gaussian 3D rõ ràng để hiển thị trường bức xạ. Đây là những cách thể hiện cảnh khác biệt; không làm cho tất cả các giải pháp hiển thị nghịch đảo trở nên duy nhất hoặc chính xác về mặt vật lý.
Triển khai trong thế giới thực
Điều chỉnh lưới cho hình ảnh được quan sát bằng cách sử dụng kết xuất bị mất.
Sử dụng rasterization mềm để cung cấp độ dốc mượt mà hơn gần ranh giới hiển thị.
Sử dụng lấy mẫu cạnh để ước tính độ dốc tại các cạnh bị che khuất.
Kiểm tra hành vi chuyển màu của trình kết xuất và cấu hình cảnh.
Tương lai của kết xuất có thể khác biệt
Trình kết xuất có thể phân biệt là công cụ để tối ưu hóa, không đảm bảo việc tái thiết chính xác. Nêu rõ trình kết xuất, mục tiêu và các giả định được sử dụng trong kết quả.
Đưa nó vào thực tế
Tại sao nó quan trọng
- Tốc độ và tỷ lệ. Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn.
- Xây dựng lựa chọn. Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn.
- Nhóm và quy trình làm việc. Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý.
coi chừng
- Quyền và sự đồng ý về hình ảnh có thể trở thành rủi ro pháp lý nếu nguồn gốc xuất xứ không rõ ràng.
- Hiệu suất của mô hình có thể khác nhau tùy theo ánh sáng, nhân khẩu học và môi trường.
- Kết quả dương tính giả có thể không được chú ý trừ khi ngưỡng tin cậy được theo dõi.
Các bước tiếp theo
- Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi.
- Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế.
- Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao.
- Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu.
Tiếp tục khám phá
Bản tin miễn phí
Nhận bản tóm tắt AI hàng ngày
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Take the Differentiable Rendering quiz
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Câu hỏi thường gặp
Kết xuất có thể phân biệt là gì?
Kết xuất có thể phân biệt kết nối các tham số cảnh với pixel được hiển thị để việc mất hình ảnh có thể tối ưu hóa các thông số hình học, vật liệu hoặc máy ảnh.
Kết xuất vi phân cho phép bạn tính toán những gì?
Bằng cách làm cho kết xuất có thể phân biệt được, bạn có được độ chuyển màu chuyển từ pixel trở lại đầu vào của cảnh, cho phép tối ưu hóa dựa trên độ dốc.
Tại sao hình bóng của đối tượng lại là một khó khăn cốt lõi trong việc hiển thị có thể phân biệt được?
Ở một hình bóng, một pixel tách ra giữa nền trước và nền sau, do đó đạo hàm cơ bản bằng 0 hoặc không xác định và không mang thông tin hình dạng.
Rasterization mềm giải quyết vấn đề gián đoạn như thế nào?
Rasterization mềm (ví dụ: SoftRas) làm mềm vùng phủ sóng để mỗi hình tam giác ảnh hưởng trơn tru đến các pixel xung quanh, tạo ra độ chuyển màu có thể sử dụng được.
'Kết xuất ngược' là gì?
Kết xuất nghịch đảo sử dụng kết xuất có thể phân biệt để tối ưu hóa các tham số cảnh cho đến khi hình ảnh tổng hợp khớp với ảnh được quan sát.
Kỹ thuật hiện đại nào dựa vào kết xuất có thể phân biệt để đào tạo?
Cả NeRF và phân tán Gaussian 3D đều được tối ưu hóa bằng cách truyền ngược sự mất không gian hình ảnh thông qua một trình kết xuất có thể phân biệt được.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này