Inhaltsverzeichnis
Methode
Experimentelle Ergebnisse
Heim Technologie-Peripheriegeräte KI X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

Dec 15, 2023 pm 01:54 PM
框架 ai 3d

In den letzten Jahren wurden erhebliche Fortschritte bei der automatischen Umwandlung von Text in 3D-Inhalte erzielt, angetrieben durch die Entwicklung vorab trainierter Diffusionsmodelle [1, 2, 3]. Darunter stellt DreamFusion[4] eine effektive Methode vor, die ein vorab trainiertes 2D-Diffusionsmodell[5] verwendet, um automatisch 3D-Assets aus Text zu generieren, ohne dass ein dedizierter 3D-Asset-Datensatz erforderlich ist

Eingeführt von DreamFusion. Eine wichtige Innovation ist der Fractional Distillation Sampling (SDS)-Algorithmus. Der Algorithmus wertet eine einzelne 3D-Darstellung mithilfe eines vorab trainierten 2D-Diffusionsmodells wie NeRF [6] aus und optimiert sie dadurch, um sicherzustellen, dass das gerenderte Bild aus jeder Kameraperspektive eine hohe Konsistenz mit dem gegebenen Text beibehält. Inspiriert durch den bahnbrechenden SDS-Algorithmus sind mehrere Arbeiten [7, 8, 9, 10, 11] entstanden, um Text-zu-3D-Generierungsaufgaben durch die Anwendung vorab trainierter 2D-Diffusionsmodelle voranzutreiben.

Während bei der Text-zu-3D-Generierung durch die Nutzung vorab trainierter Text-zu-2D-Diffusionsmodelle erhebliche Fortschritte erzielt wurden, besteht immer noch eine große Feldlücke zwischen 2D-Bildern und 3D-Assets. Dieser Unterschied ist in Abbildung 1 deutlich zu erkennen.

Erstens erzeugen Text-zu-2D-Modelle kameraunabhängige Generierungsergebnisse, wobei der Schwerpunkt auf der Generierung hochwertiger Bilder aus bestimmten Winkeln liegt und andere Winkel ignoriert werden. Im Gegensatz dazu ist die Erstellung von 3D-Inhalten eng an Kameraparameter wie Position, Aufnahmewinkel und Sichtfeld gebunden. Daher müssen Text-zu-3D-Modelle über alle möglichen Kameraparameter qualitativ hochwertige Ergebnisse liefern.

Darüber hinaus müssen generative Text-zu-2D-Modelle gleichzeitig Vordergrund- und Hintergrundelemente generieren, um die Gesamtkohärenz des Bildes aufrechtzuerhalten. Im Gegensatz dazu müssen sich generative Text-zu-3D-Modelle nur auf die Erstellung von Vordergrundobjekten konzentrieren. Dieser Unterschied ermöglicht es Text-zu-3D-Modellen, mehr Ressourcen und Aufmerksamkeit für die genaue Darstellung und Generierung von Vordergrundobjekten bereitzustellen. Wenn daher vorab trainierte 2D-Diffusionsmodelle direkt für die Erstellung von 3D-Assets verwendet werden, wird der Domänenunterschied zwischen Text-zu-2D- und Text-zu-3D-Generierung zu einem offensichtlichen Leistungshindernis

X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

Abbildung 1 Textausgabe des -zu-2D-generiertes Modell (links) und das Text-zu-3D-generierte Modell (rechts) unter derselben Textaufforderung, nämlich „Eine Statue von Leonardo DiCaprios Kopf.“

Um dieses Problem zu lösen, schlägt das Papier X-Dreamer vor, eine neuartige Methode zur Erstellung hochwertiger Text-zu-3D-Inhalte, die Text-zu-2D- und Text-zu-3D-Domänenlücken zwischen Generationen effektiv schließen kann.

Die Schlüsselkomponenten von X-Dreamer sind zwei innovative Designs: Camera-Guided Low-Rank Adaptation (CG-LoRA) und Attention-Mask Alignment (AMA)-Verlust.

Erstens verwenden bestehende Methoden [7, 8, 9, 10] normalerweise vorab trainierte 2D-Diffusionsmodelle [5, 12] für die Text-zu-3D-Generierung, denen eine inhärente Verbindung mit Kameraparametern fehlt. Um diese Einschränkung zu beheben und sicherzustellen, dass X-Dreamer Ergebnisse liefert, die direkt von den Kameraparametern beeinflusst werden, wird in dem Artikel CG-LoRA eingeführt, um das vorab trainierte 2D-Diffusionsmodell anzupassen. Insbesondere werden die Parameter von CG-LoRA während jeder Iteration dynamisch basierend auf Kamerainformationen generiert, wodurch eine robuste Beziehung zwischen dem Text-zu-3D-Modell und den Kameraparametern hergestellt wird.

Zweitens schenkt das vorab trainierte Text-zu-2D-Diffusionsmodell Aufmerksamkeit der Vorder- und Hintergrundgenerierung, während die Erstellung von 3D-Assets mehr Aufmerksamkeit auf die genaue Generierung von Vordergrundobjekten erfordert. Um dieses Problem anzugehen, schlägt das Papier den AMA-Verlust vor, der eine binäre Maske von 3D-Objekten verwendet, um die Aufmerksamkeitskarte eines vorab trainierten Diffusionsmodells zu steuern und die Erstellung von Vordergrundobjekten zu priorisieren. Durch die Integration dieses Moduls priorisiert X-Dreamer die Generierung von Vordergrundobjekten und verbessert so die Gesamtqualität der generierten 3D-Inhalte erheblich.

X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

Projekt-Homepage:

https://xmu-xiaoma666.github.io/Projects/X-Dreamer/

Github-Homepage: https://github.com/xmu-xiaoma666 /X-Dreamer

DiskussionArtikelAdresse: https://arxiv.org/abs/2312.00085

X-Dreamer hat die folgenden Beiträge zum Bereich der Text-zu-3D-Generierung geleistet:

  • Das Papier schlägt einen neuartigen Ansatz, X-Dreamer, für die Erstellung hochwertiger Text-zu-3D-Inhalte vor, der die große Lücke zwischen der Text-zu-2D- und der Text-zu-3D-Generierung effektiv schließt.
  • Um die Ausrichtung zwischen den generierten Ergebnissen und der Kameraperspektive zu verbessern, schlägt das Papier CG-LoRA vor, das Kamerainformationen verwendet, um spezifische Parameter des 2D-Diffusionsmodells dynamisch zu generieren.
  • Um die Erstellung von Vordergrundobjekten in Text-zu-3D-Modellen zu priorisieren, führt das Papier den AMA-Verlust ein, der eine binäre Maske von Vordergrund-3D-Objekten verwendet, um die Aufmerksamkeitskarte des 2D-Diffusionsmodells zu steuern.

Methode

X-Dreamer enthält zwei Hauptphasen: Geometrielernen und Aussehenslernen. Für das Geometrielernen verwendet diese Studie DMTET als 3D-Darstellung und verwendet ein 3D-Ellipsoid, um es zu initialisieren. Bei der Initialisierung verwendet die Verlustfunktion den Verlust des mittleren quadratischen Fehlers (MSE). Als nächstes werden DMTET und CG-LoRA unter Verwendung des SDS-Verlusts (Fractional Distillation Sampling) und des in dieser Studie vorgeschlagenen AMA-Verlusts optimiert, um die Ausrichtung zwischen der 3D-Darstellung und den eingegebenen Texthinweisen sicherzustellen. Für das Erlernen des Erscheinungsbilds nutzt das Papier bidirektional Modellierung der Reflexionsverteilungsfunktion (BRDF). Konkret nutzt das Papier MLP mit trainierbaren Parametern, um Oberflächenmaterialien vorherzusagen. Ähnlich wie in der Geometrie-Lernphase verwendet das Papier SDS-Verlust und AMA-Verlust, um die trainierbaren Parameter von MLP und CG-LoRA zu optimieren und eine Ausrichtung zwischen 3D-Darstellungen und Texthinweisen zu erreichen. Abbildung 2 zeigt die detaillierte Zusammensetzung von X-Dreamer.

Abbildung 2 Übersicht über X-Dreamer, einschließlich Geometrielernen und Aussehenslernen. X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

Geometrielernen

(

Geometrielernen)In diesem Modul nutzt X-Dreamer das MLP-Netzwerk

, um DMTET in eine 3D-Darstellung zu parametrisieren. Um die Stabilität der geometrischen Modellierung zu verbessern, verwendet dieser Artikel ein 3D-Ellipsoid als Anfangskonfiguration von DMTET . Für jeden Scheitelpunkt X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert., der zu einem Tetraedernetz X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. gehört, trainieren wir X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert., um zwei wichtige Größen vorherzusagen: den SDF-Wert X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. und den Verformungsversatz X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.. Um als Ellipsoid zu initialisieren, werden in diesem Artikel N Punkte abgetastet, die gleichmäßig innerhalb des Ellipsoids verteilt sind, und der entsprechende SDF-Wert X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. berechnet. Anschließend wird der Verlust des mittleren quadratischen Fehlers (MSE) zur Optimierung verwendet X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.. Dieser Optimierungsprozess stellt sicher, dass der DMTET effektiv so initialisiert wird, dass er einem 3D-Ellipsoid ähnelt. Die Formel für den MSE-Verlust lautet wie folgt: X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

Nachdem Sie die Geometrie initialisiert haben, richten Sie die Geometrie des DMTET an der Eingabeaufforderung aus. Dies erfolgt durch die Verwendung einer Differential-Rendering-Technik, um eine Normalkarte n und eine Maske m des Objekts aus einem initialisierten DMTETX-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. bei einer zufällig ausgewählten Kameraposition c zu generieren. Anschließend wird die Normalkarte n in ein eingefrorenes stabiles Diffusionsmodell (SD) mit einer trainierbaren CG-LoRA-Einbettung eingegeben und die Parameter in X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. werden unter Verwendung des SDS-Verlusts aktualisiert, der wie folgt definiert ist:

X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

wobei, X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. stellt die Parameter von SD dar und X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. ist das vorhergesagte Rauschen von SD unter einem gegebenen Rauschpegel t und Texteinbettung y. Darüber hinaus X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert., wobei X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. Rauschen darstellt, das aus einer Normalverteilung entnommen wurde. Die Implementierung von X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert., X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. und X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. basiert auf DreamFusion [4].

Um SD außerdem auf die Generierung von Vordergrundobjekten zu konzentrieren, führt X-Dreamer einen zusätzlichen AMA-Verlust ein, um die Objektmaske wie folgt an der Aufmerksamkeitskarte von SD auszurichten:


X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

Where X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. stellt die Anzahl der Aufmerksamkeitsschichten dar, X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. ist die Aufmerksamkeitskarte der i-ten Aufmerksamkeitsschicht. Mit der Funktion X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. wird die Größe der gerenderten 3D-Objektmaske angepasst, um sicherzustellen, dass ihre Größe mit der Größe der Aufmerksamkeitskarte übereinstimmt.

Appearance Learning(Appearance Learning)

Nachdem die Geometrie eines 3D-Objekts ermittelt wurde, besteht das Ziel dieses Artikels darin, das Erscheinungsbild des 3D-Objekts mithilfe eines PBR-Materialmodells (Physically Based Rendering) zu berechnen. Das Materialmodell umfasst einen Diffusionsterm X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert., einen Rauheits- und Metallizitätsterm X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. und einen Normaländerungsterm X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.. Für jeden Punkt X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

auf der Oberfläche der Geometrie wird das durch X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. parametrisierte Multilayer-Perzeptron (MLP) verwendet, um drei Materialterme zu erhalten, die wie folgt ausgedrückt werden können:

X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

wobei X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. Stellt die Positionskodierung mithilfe der Hash-Grid-Technologie dar. Danach kann jedes Pixel des gerenderten Bildes mit der folgenden Formel berechnet werden:

X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

Unter diesen stellt X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. den Pixelwert des Punktes auf der Oberfläche des 3D-Objekts dar, der aus der Richtung X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. gerendert wird. X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. stellt die Hemisphäre dar, die durch die Menge der Einfallsrichtungen definiert ist, die die Bedingung X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. erfüllen, wobei X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. die Einfallsrichtung und X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. die Oberflächennormale am Punkt X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. darstellt. X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. entspricht dem einfallenden Licht aus der vorgefertigten Umgebungskarte und X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. ist die bidirektionale Reflexionsverteilungsfunktion (BRDF), die sich auf die Materialeigenschaften (d. h. X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.) bezieht. Durch die Aggregation aller gerenderten Pixelfarben wird ein gerendertes Bild X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. erhalten. Ähnlich wie in der Geometrie-Lernphase wird das gerenderte Bild X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. in SD eingespeist und mithilfe von SDS-Verlust und AMA-Verlust optimiert X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert..


Camera-Guided Low-Rank Adaptation (CG-LoRA)

Um das Generierungsproblem suboptimaler 3D-Ergebnisse zu lösen, das durch die Domänenlücke zwischen der Generierung von Text in 2D und 3D verursacht wird, X - Dreamer schlug eine kameragesteuerte Low-Rank-Anpassungsmethode

vor, wie in Abbildung 3 dargestellt, die Kameraparameter und richtungsbewussten Text verwendet, um die Generierung von Parametern in CG-LoRA zu steuern, sodass X-Dreamer dies effektiv wahrnehmen kann Positions- und Richtungsinformationen der Kamera.

X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

Abbildung 3 Darstellung der kamerageführten CG-LoRA.

Insbesondere verwenden Sie bei einer Textaufforderung X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. und Kameraparametern X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. zunächst einen vortrainierten Text-CLIP-Encoder X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. und ein trainierbares MLP X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert., um diese Eingaben in den Funktionsraum zu projizieren:

X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

Daunter sind X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. und X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. Textfunktionen bzw. Kamerafunktionen. Danach werden zwei Matrizen mit niedrigem Rang verwendet, um X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. und X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. in eine trainierbare Dimensionsreduktionsmatrix in CG-LoRA zu projizieren:

X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

wobei X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. und X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. CG-LoRA sind von zweidimensionalen Reduktionsmatrizen. Die Funktion X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

wird verwendet, um die Form des Tensors von X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. in X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. zu transformieren. X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. und X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. sind zwei Matrizen mit niedrigem Rang. Daher können sie in das Produkt zweier Matrizen zerlegt werden, um die trainierbaren Parameter in der Implementierung zu reduzieren, d X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. ist eine kleine Zahl (z. B. 4). Entsprechend der Zusammensetzung von LoRA wird die Dimensionserweiterungsmatrix X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. auf Null initialisiert, um sicherzustellen, dass das Modell mit dem Training mit den vorab trainierten Parametern von SD beginnt. Daher lautet die Feedforward-Prozessformel von CG-LoRA wie folgt: X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.wobei die eingefrorenen Parameter des vorab trainierten SD-Modells darstellt und X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. die Kaskadenoperation ist. Bei der Implementierung dieser Methode wird CG-LoRA in die lineare Einbettungsschicht des Aufmerksamkeitsmoduls in SD integriert, um Orientierungs- und Kamerainformationen effektiv zu erfassen. X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.Was neu zum Ausdruck gebracht werden muss, ist: Verlust der Aufmerksamkeitsmaskenausrichtung (AMA-Verlust) X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

SD ist vorab darauf trainiert, 2D-Bilder unter Berücksichtigung von Vordergrund- und Hintergrundelementen zu generieren. Allerdings erfordert die Text-zu-3D-Generierung mehr Aufmerksamkeit für die Generierung von Vordergrundobjekten. Angesichts dieser Anforderung schlägt X-Dreamer den Attention-Mask Alignment Loss (AMA-Verlust) vor, um die Aufmerksamkeitskarte von SD an dem gerenderten Maskenbild des 3D-Objekts auszurichten. Insbesondere verwendet diese Methode für jede Aufmerksamkeitsschicht in vorab trainiertem SD Abfragebildfunktionen

X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

und wichtige CLS-Labelfunktionen

X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert., um die Aufmerksamkeitskarte zu berechnen. Die Berechnungsformel lautet wie folgt: X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

Unter diesen stellt X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. die Anzahl der Köpfe im Mehrkopf-Aufmerksamkeitsmechanismus dar, X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. stellt die Aufmerksamkeitskarte dar und dann wird die Gesamtaufmerksamkeitskarte durch Mitteln der Aufmerksamkeitswerte der Aufmerksamkeitskarten berechnet X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. in allen Aufmerksamkeitsköpfen Der Wert von X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert..

Da die Softmax-Funktion zum Normalisieren der Aufmerksamkeitskartenwerte verwendet wird, können die Aktivierungswerte in der Aufmerksamkeitskarte sehr klein werden, wenn die Auflösung der Bildmerkmale hoch ist. Allerdings ist die direkte Ausrichtung der Aufmerksamkeitskarte an der Maske des gerenderten 3D-Objekts nicht optimal, wenn man bedenkt, dass jedes Element in der gerenderten 3D-Objektmaske einen Binärwert von 0 oder 1 hat. Um dieses Problem zu lösen, schlägt das Papier eine Normalisierungstechnik vor, die die Werte in der Aufmerksamkeitskarte auf Werte zwischen (0, 1) abbildet. Die Formel für diesen Normalisierungsprozess lautet wie folgt:

X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

wobei X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert. einen kleinen konstanten Wert darstellt (z. B. X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.), um zu verhindern, dass 0 im Nenner erscheint. Schließlich wird ein AMA-Verlust verwendet, um die Aufmerksamkeitskarten aller Aufmerksamkeitsebenen an der gerenderten Maske des 3D-Objekts auszurichten.

Experimentelle Ergebnisse

Der Artikel verwendet vier Nvidia RTX 3090 GPUs und die PyTorch-Bibliothek, um Experimente durchzuführen. Zur Berechnung des SDS-Verlusts wurde das über Hugging Face Diffusers implementierte Stable Diffusion-Modell verwendet. Für DMTET- und Material-Encoder werden sie als zweischichtiges MLP bzw. einschichtiges MLP mit einer verborgenen Schichtdimension von 32 implementiert.

Beginnen Sie mit dem Ellipsoid, um Text-zu-3D zu generieren

Der Artikel zeigt die Ergebnisse der Text-zu-3D-Generierung von X-Dreamer unter Verwendung des Ellipsoids als anfängliche geometrische Form, wie in gezeigt Abbildung 4 dargestellt. Die Ergebnisse belegen die Fähigkeit von X-Dreamer, hochwertige und fotorealistische 3D-Objekte zu erzeugen, die genau den eingegebenen Textaufforderungen entsprechen.

X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

Abbildung 4: Verwendung des Ellipsoids als Ausgangspunkt für die Text-zu-3D-Generierung

Ausgehend vom grobkörnigen Raster für die Text-zu-3D-Generierung

Allerdings Eine große Anzahl grobkörniger Netze kann aus dem Internet heruntergeladen werden. Die direkte Verwendung dieser Netze zur Erstellung von 3D-Inhalten führt jedoch aufgrund fehlender geometrischer Details häufig zu einer schlechten Leistung. Allerdings können diese Netze X-Dreamer bessere 3D-Formvorinformationen liefern als 3D-Ellipsoide.

Daher ist es auch möglich, anstelle eines Ellipsoids ein grobkörniges Führungsgitter zur Initialisierung von DMTET zu verwenden. Wie in Abbildung 5 dargestellt, kann X-Dreamer 3D-Assets mit präzisen geometrischen Details basierend auf gegebenem Text generieren, selbst wenn das bereitgestellte grobkörnige Netz keine Details aufweist.

X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

Abbildung 5 Text-zu-3D-Generierung ausgehend von einem grobkörnigen Netz.

Was neu geschrieben werden muss, ist: Qualitativer Vergleich.

Um die Wirksamkeit von X-Dreamer zu bewerten, vergleicht dieses Papier es mit vier fortgeschrittenen Methoden: DreamFusion [4], Magic3D [8], Fantasia3D [ 7] und ProlificDreamer [11], wie in Abbildung 6

dargestellt

Im Vergleich zu SDS-basierten Methoden [4, 7, 8] übertrifft X-Dreamer diese bei der Generierung hochwertiger und realistischer 3D-Assets. Darüber hinaus erzeugt X-Dreamer 3D-Inhalte mit vergleichbaren oder sogar besseren visuellen Effekten im Vergleich zu VSD-basierten Methoden [11] und erfordert dabei deutlich weniger Optimierungszeit. Insbesondere dauert der Lernprozess für Geometrie und Aussehen bei X-Dreamer nur etwa 27 Minuten, im Vergleich zu mehr als 8 Stunden bei ProlificDreamer.

X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

Abbildung 6 Vergleich mit State-of-the-Art-Methoden (SOTA).

Der Inhalt, der neu geschrieben werden muss, ist: Ablationsexperiment

  • Modulablation

Um die Fähigkeiten von CG-LoRA und AMA-Verlust tiefgreifend zu verstehen, führte das Papier eine durch Ablationsstudie, bei der jedes Modul einzeln hinzugefügt wurde, um seine Wirkung zu bewerten. Wie in Abbildung 7 dargestellt, zeigen die Ablationsergebnisse, dass die Geometrie und die Erscheinungsqualität der generierten 3D-Objekte erheblich abnehmen, wenn CG-LoRA aus X-Dreamer ausgeschlossen wird.

Darüber hinaus wirkt sich der fehlende AMA-Verlust von X-Dreamer auch nachteilig auf die Geometrie und die Wiedergabetreue der generierten 3D-Assets aus. Diese müssen neu geschrieben werden: Die Ablationsexperimente liefern wertvolle Untersuchungen zu den einzelnen Beiträgen von CG-LoRA- und AMA-Verlusten zur Verbesserung der Geometrie, des Erscheinungsbilds und der Gesamtqualität der erzeugten 3D-Objekte.

X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

Abbildung 7 Ablationsstudie von X-Dreamer.

  • Vergleich von Aufmerksamkeitskarten mit und ohne AMA-Verlust

Der Zweck der Einführung von AMA-Verlust besteht darin, die Aufmerksamkeit während des Entrauschungsprozesses auf die Vordergrundobjekte zu lenken. Dies wird erreicht, indem die Aufmerksamkeitskarte des SD an der Rendering-Maske des 3D-Objekts ausgerichtet wird. Um die Wirksamkeit des AMA-Verlusts beim Erreichen dieses Ziels zu bewerten, vergleicht dieser Artikel die Aufmerksamkeitskarten von SD mit und ohne AMA-Verlust in den Phasen des Geometrielernens und des Aussehenslernens.

Wie in Abbildung 8 dargestellt, kann dies beobachtet werden Das Hinzufügen von AMA Der Verlust verbessert nicht nur die Geometrie und das Erscheinungsbild der generierten 3D-Assets, sondern ermöglicht es SD auch, seine Aufmerksamkeit gezielt auf Vordergrundobjektbereiche zu richten. Die Visualisierungsergebnisse bestätigen die Wirksamkeit des AMA-Verlusts bei der Lenkung der SD-Aufmerksamkeit und verbessern dadurch die Qualität der Lernphasen für Geometrie und Aussehen sowie die Fokussierung von Vordergrundobjekten

X-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.

Was neu geschrieben werden muss, ist: Abbildung 8 zeigt das Aufmerksamkeit Visualisierungsergebnisse von Kraftdiagrammen, Rendermasken und gerenderten Bildern mit und ohne AMA-Verlust

Diese Forschung stellt ein bahnbrechendes Framework namens X-Dreamer vor, das darauf abzielt, Text-zu-2D- und Text-zu-Domänenlücken zwischen 3D zu schließen Generierung zur Verbesserung der Text-zu-3D-Generierung. Um dieses Ziel zu erreichen, schlägt das Papier zunächst CG-LoRA vor, ein Modul, das dreidimensionale relevante Informationen (einschließlich richtungsbewusstem Text und Kameraparameter) in ein vorab trainiertes Stable Diffusion (SD)-Modell integriert. Auf diese Weise ist dieses Papier in der Lage, Informationen im Zusammenhang mit dem dreidimensionalen Bereich effektiv zu erfassen. Darüber hinaus entwirft dieser Artikel einen AMA-Verlust, um die SD-generierte Aufmerksamkeitskarte an der Renderingmaske des 3D-Objekts auszurichten. Das Hauptziel des AMA-Verlusts besteht darin, den Textfokus auf 3D-Modelle zu lenken, um Vordergrundobjekte zu generieren. Durch umfangreiche Experimente bewertet dieser Artikel umfassend die Wirksamkeit der vorgeschlagenen Methode und zeigt, dass X-Dreamer in der Lage ist, hochwertige und realistische 3D-Inhalte basierend auf vorgegebenen Textaufforderungen zu generieren

Das obige ist der detaillierte Inhalt vonX-Dreamer durchbricht die dimensionale Wand und bringt hochwertigen Text in die 3D-Generierung, indem es die Bereiche der 2D- und 3D-Generierung integriert.. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn

Heiße KI -Werkzeuge

Undresser.AI Undress

Undresser.AI Undress

KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover

AI Clothes Remover

Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool

Undress AI Tool

Ausziehbilder kostenlos

Clothoff.io

Clothoff.io

KI-Kleiderentferner

AI Hentai Generator

AI Hentai Generator

Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

R.E.P.O. Energiekristalle erklärten und was sie tun (gelber Kristall)
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Beste grafische Einstellungen
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. So reparieren Sie Audio, wenn Sie niemanden hören können
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
WWE 2K25: Wie man alles in Myrise freischaltet
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌

Heiße Werkzeuge

Notepad++7.3.1

Notepad++7.3.1

Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version

SublimeText3 chinesische Version

Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1

Senden Sie Studio 13.0.1

Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6

Dreamweaver CS6

Visuelle Webentwicklungstools

SublimeText3 Mac-Version

SublimeText3 Mac-Version

Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Welche Methode wird verwendet, um Strings in Objekte in Vue.js umzuwandeln? Welche Methode wird verwendet, um Strings in Objekte in Vue.js umzuwandeln? Apr 07, 2025 pm 09:39 PM

Bei der Konvertierung von Zeichenfolgen in Objekte in Vue.js wird JSON.Parse () für Standard -JSON -Zeichenfolgen bevorzugt. Bei nicht standardmäßigen JSON-Zeichenfolgen kann die Zeichenfolge durch Verwendung regelmäßiger Ausdrücke verarbeitet und Methoden gemäß dem Format oder dekodierten URL-kodiert reduziert werden. Wählen Sie die entsprechende Methode gemäß dem String -Format aus und achten Sie auf Sicherheits- und Codierungsprobleme, um Fehler zu vermeiden.

So verwenden Sie MySQL nach der Installation So verwenden Sie MySQL nach der Installation Apr 08, 2025 am 11:48 AM

Der Artikel führt den Betrieb der MySQL -Datenbank vor. Zunächst müssen Sie einen MySQL -Client wie MySQLworkBench oder Befehlszeilen -Client installieren. 1. Verwenden Sie den Befehl mySQL-uroot-P, um eine Verbindung zum Server herzustellen und sich mit dem Stammkonto-Passwort anzumelden. 2. Verwenden Sie die Erstellung von Createdatabase, um eine Datenbank zu erstellen, und verwenden Sie eine Datenbank aus. 3.. Verwenden Sie CreateTable, um eine Tabelle zu erstellen, Felder und Datentypen zu definieren. 4. Verwenden Sie InsertInto, um Daten einzulegen, Daten abzufragen, Daten nach Aktualisierung zu aktualisieren und Daten nach Löschen zu löschen. Nur indem Sie diese Schritte beherrschen, lernen, mit gemeinsamen Problemen umzugehen und die Datenbankleistung zu optimieren, können Sie MySQL effizient verwenden.

Wie man MySQL löst, kann nicht gestartet werden Wie man MySQL löst, kann nicht gestartet werden Apr 08, 2025 pm 02:21 PM

Es gibt viele Gründe, warum MySQL Startup fehlschlägt und durch Überprüfung des Fehlerprotokolls diagnostiziert werden kann. Zu den allgemeinen Ursachen gehören Portkonflikte (prüfen Portbelegung und Änderung der Konfiguration), Berechtigungsprobleme (Überprüfen Sie den Dienst Ausführen von Benutzerberechtigungen), Konfigurationsdateifehler (Überprüfung der Parametereinstellungen), Datenverzeichniskorruption (Wiederherstellung von Daten oder Wiederaufbautabellenraum), InnoDB-Tabellenraumprobleme (prüfen IBDATA1-Dateien), Plug-in-Ladeversagen (Überprüfen Sie Fehlerprotokolle). Wenn Sie Probleme lösen, sollten Sie sie anhand des Fehlerprotokolls analysieren, die Hauptursache des Problems finden und die Gewohnheit entwickeln, Daten regelmäßig zu unterstützen, um Probleme zu verhindern und zu lösen.

Laravels Geospatial: Optimierung interaktiver Karten und großen Datenmengen Laravels Geospatial: Optimierung interaktiver Karten und großen Datenmengen Apr 08, 2025 pm 12:24 PM

Verarbeiten Sie 7 Millionen Aufzeichnungen effizient und erstellen Sie interaktive Karten mit Geospatial -Technologie. In diesem Artikel wird untersucht, wie über 7 Millionen Datensätze mithilfe von Laravel und MySQL effizient verarbeitet und in interaktive Kartenvisualisierungen umgewandelt werden können. Erstes Herausforderungsprojektanforderungen: Mit 7 Millionen Datensätzen in der MySQL -Datenbank wertvolle Erkenntnisse extrahieren. Viele Menschen erwägen zunächst Programmiersprachen, aber ignorieren die Datenbank selbst: Kann sie den Anforderungen erfüllen? Ist Datenmigration oder strukturelle Anpassung erforderlich? Kann MySQL einer so großen Datenbelastung standhalten? Voranalyse: Schlüsselfilter und Eigenschaften müssen identifiziert werden. Nach der Analyse wurde festgestellt, dass nur wenige Attribute mit der Lösung zusammenhängen. Wir haben die Machbarkeit des Filters überprüft und einige Einschränkungen festgelegt, um die Suche zu optimieren. Kartensuche basierend auf der Stadt

VUE.JS Wie kann man ein Array von String -Typ in ein Array von Objekten umwandeln? VUE.JS Wie kann man ein Array von String -Typ in ein Array von Objekten umwandeln? Apr 07, 2025 pm 09:36 PM

Zusammenfassung: Es gibt die folgenden Methoden zum Umwandeln von VUE.JS -String -Arrays in Objektarrays: Grundlegende Methode: Verwenden Sie die Kartenfunktion, um regelmäßige formatierte Daten zu entsprechen. Erweitertes Gameplay: Die Verwendung regulärer Ausdrücke kann komplexe Formate ausführen, müssen jedoch sorgfältig geschrieben und berücksichtigt werden. Leistungsoptimierung: In Betracht ziehen die große Datenmenge, asynchrone Operationen oder effiziente Datenverarbeitungsbibliotheken können verwendet werden. Best Practice: Clear Code -Stil, verwenden Sie sinnvolle variable Namen und Kommentare, um den Code präzise zu halten.

So stellen Sie die Zeitüberschreitung von Vue Axios fest So stellen Sie die Zeitüberschreitung von Vue Axios fest Apr 07, 2025 pm 10:03 PM

Um die Zeitüberschreitung für Vue Axios festzulegen, können wir eine Axios -Instanz erstellen und die Zeitleitungsoption angeben: in globalen Einstellungen: vue.Prototyp. $ Axios = axios.create ({Timeout: 5000}); In einer einzigen Anfrage: this. $ axios.get ('/api/user', {timeout: 10000}).

So optimieren Sie die Datenbankleistung nach der MySQL -Installation So optimieren Sie die Datenbankleistung nach der MySQL -Installation Apr 08, 2025 am 11:36 AM

Die MySQL -Leistungsoptimierung muss von drei Aspekten beginnen: Installationskonfiguration, Indexierung und Abfrageoptimierung, Überwachung und Abstimmung. 1. Nach der Installation müssen Sie die my.cnf -Datei entsprechend der Serverkonfiguration anpassen, z. 2. Erstellen Sie einen geeigneten Index, um übermäßige Indizes zu vermeiden und Abfrageanweisungen zu optimieren, z. B. den Befehl Erklärung zur Analyse des Ausführungsplans; 3. Verwenden Sie das eigene Überwachungstool von MySQL (ShowProcessList, Showstatus), um die Datenbankgesundheit zu überwachen und die Datenbank regelmäßig zu sichern und zu organisieren. Nur durch kontinuierliche Optimierung dieser Schritte kann die Leistung der MySQL -Datenbank verbessert werden.

Remote Senior Backend Engineers (Plattformen) benötigen Kreise Remote Senior Backend Engineers (Plattformen) benötigen Kreise Apr 08, 2025 pm 12:27 PM

Remote Senior Backend Engineer Job Vacant Company: Circle Standort: Remote-Büro-Jobtyp: Vollzeitgehalt: 130.000 bis 140.000 US-Dollar Stellenbeschreibung Nehmen Sie an der Forschung und Entwicklung von Mobilfunkanwendungen und öffentlichen API-bezogenen Funktionen, die den gesamten Lebenszyklus der Softwareentwicklung abdecken. Die Hauptaufgaben erledigen die Entwicklungsarbeit unabhängig von RubyonRails und arbeiten mit dem Front-End-Team von React/Redux/Relay zusammen. Erstellen Sie die Kernfunktionalität und -verbesserungen für Webanwendungen und arbeiten Sie eng mit Designer und Führung während des gesamten funktionalen Designprozesses zusammen. Fördern Sie positive Entwicklungsprozesse und priorisieren Sie die Iterationsgeschwindigkeit. Erfordert mehr als 6 Jahre komplexes Backend für Webanwendungen

See all articles