Apa yang perlu ditulis semula ialah: giroskop realiti maya
Baru-baru ini, Adobe Research bekerjasama dengan penyelidik dari Australian National University untuk membangunkan model besar AI baharu yang dipanggil LRM. Model ini menukar imej 2D kepada model 3D berkualiti tinggi dalam masa 5 saat sahaja
Tidak seperti kaedah latihan terdahulu mengenai set data kecil dalam cara khusus kelas, LRM menggunakan seni bina rangkaian neural berasaskan Transformer yang sangat berskala dengan lebih 500 juta parameter. Model ini dilatih secara hujung ke hujung pada ~1 juta objek 3D daripada set data Objaverse dan MVImgNet dan meramalkan Medan Sinaran Neural (NeRF) terus daripada imej input
Sumber gambar: yiconghong.me/LRM/
Kertas "LRM: MODEL PEMBINAAN SEMULA BESAR UNTUK IMEJ TUNGGAL KE 3D" menyatakan bahawa "gabungan model berkapasiti besar dan data latihan berskala besar menjadikan model kami sangat serba boleh dan berprestasi baik mengikut pelbagai input ujian, termasuk sebenar- tangkapan dunia dan Hasilkan imej model) untuk menghasilkan pembinaan semula 3D berkualiti tinggi.”
Eksperimen telah menunjukkan bahawa LRM boleh membina semula model 3D kesetiaan tinggi berdasarkan imej dan imej dunia sebenar yang dicipta oleh model jana AI seperti DALL-E dan Stable Diffusio Sistem ini boleh menghasilkan bentuk geometri yang terperinci dan mengekalkan tekstur yang kompleks seperti kayu bijirin. Walau bagaimanapun, LRM masih mempunyai had tertentu dalam penjanaan tekstur di kawasan tersumbat.
Dari segi aplikasi, LRM mempunyai prospek yang luas. Ia boleh digunakan untuk pelbagai senario seperti reka bentuk industri, permainan dan hiburan. Selain itu, dalam bidang AR/VR, LRM juga boleh meningkatkan pengalaman pengguna dengan menjana persekitaran 3D terperinci dalam masa nyata
Tanpa mengubah maksud asal, kandungan yang perlu ditulis semula ke dalam bahasa Cina ialah: Sumber: venturebeat
Atas ialah kandungan terperinci Adobe menunjukkan model besar AI baharu untuk mencapai penukaran 2D kepada 3D dalam masa 5 saat sahaja. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!