LoGeR - እጅግ በጣም ረጅም ቪዲዮዎች (DeepMind, UC Berkeley) 3D መልሶ መገንባት

<አንቀጽ>

የቪዲዮ ሰዓቶችን ወደ አንድ ወጥ 3D ዓለም መቀየር

የሠርግ ሥነ ሥርዓትን፣ የግንባታ ፕሮጀክትን ወይም ተፈጥሮን በጫካ ውስጥ ሲራመዱ የሚያሳይ ቪዲዮ ስታነሳ አስብ። በሰዓታት ቀረጻ ጨርሰሃል፣ ግን ጠፍጣፋ፣ መስመራዊ ቅደም ተከተል ነው። ያን ረጅም እና የማይሰራ ቪዲዮ ወደ አንድ ነጠላ እና ተንቀሳቃሽ 3D የሙሉ ትእይንት ሞዴል ቢቀይሩስ? ይህ የLoGeR ታላቅ ግብ ነው፣ በ DeepMind እና UC በርክሌይ መካከል ጥልቅ የሆነ የምርምር ትብብር። ይህ ቴክኖሎጂ ፎቶዎችን አንድ ላይ ብቻ አያጣምርም; በኮምፒዩተር እይታ ውስጥ ካሉት በጣም አስፈላጊ ተግዳሮቶች አንዱን በመፍታት በሁለቱም የቆይታ ጊዜ እና በአካላዊ መንገድ ረጅም ከሆኑ የቪዲዮ ዥረቶች በብልሃት የማያቋርጥ የ3-ል አለምን እንደገና ይገነባል።

ዋናው ተግዳሮት፡ ከግዙፍ ሚዛኖች በላይ ወጥነት

ባህላዊ የ3-ል የመልሶ ግንባታ ዘዴዎች በአጫጭር የቪዲዮ ክሊፖች ወይም ከተለያዩ አቅጣጫዎች በተነሱ የፎቶዎች ስብስብ የላቀ ነው። ነገር ግን፣ በ"ረጅም" ቪዲዮዎች በእጅጉ ይታገላሉ። ችግሮቹ ሁለት ናቸው። በመጀመሪያ፣ጊዜያዊ ርዝመት፡ ቪዲዮው በደቂቃዎች ወይም በሰአታት ውስጥ ሲዘረጋ መብራት ይለወጣል፣ ነገሮች ይንቀሳቀሳሉ እና ሰዎች ይመጣሉ ይሄዳሉ። ሁለተኛ፣የመገኛ ቦታ ሚዛን፡ ካሜራው እንደ መናፈሻ ውስጥ እና ወደ ህንጻ ውስጥ እንደመራመድ ያሉ ሰፊ ቦታዎችን ሊያቋርጥ ይችላል፣ ይህም ለካርታ የሚሆን ሰፊ እና ውስብስብ አካባቢ ይፈጥራል። ነባር ሥርዓቶች ብዙ ጊዜ ወጥ የሆነ ዓለም አቀፋዊ ካርታን ማስጠበቅ ይሳናቸዋል፣ ይህም ወደ ተበታተኑ መልሶ ግንባታዎች ወይም "ተንሳፋፊዎች" -የየትኛውም ገጽ ያልሆኑ መናፍስታዊ ቅርሶች። LoGeR ይህንን የሚፈታው በእነዚህ ሰፊ የጊዜ እና የቦታ ሚዛኖች መካከል ወጥነት ያለው አንድነት በመገንባት ላይ በማተኮር ነው።

LoGeR እንዴት ወጥነት ያለው ተሃድሶ እንደሚያሳካ

LoGeR፣ የሎንግ ጀነሬቲቭ ሪኮንስትራክሽን (LoGeR) የሚወክለው፣ በ"ዘር ጅማሬ" ስትራቴጂ ላይ ያማከለ አዲስ አቀራረብን አስተዋውቋል። ስርዓቱ ከተመሰቃቀለ የቪዲዮ ዥረት በአንድ ጊዜ የ3-ል ትዕይንቱን ለመገንባት ከመሞከር ይልቅ፣ ስርዓቱ በመጀመሪያ በከፍተኛ እምነት እንደገና ለመገንባት ቀላል የሆነ ትንሽ እና ማስተዳደር የሚችል የቪዲዮውን ክፍል ይለያል። ይህ ከፍተኛ ጥራት ያለው 3D ፕላስተር እንደ የተረጋጋ መልህቅ ወይም "ዘር" ያገለግላል. ከዚያም አምሳያው ይህን የ3-ል ውክልና፣ ፍሬም በፍሬም ያሳድጋል፣ አዲስ የእይታ መረጃን በጥንቃቄ በማካተት ወደተመሰረተው ዘር አለምአቀፋዊ ወጥነትን ለማረጋገጥ። ይህ ዘዴ ውጤታማ በሆነ መንገድ ሞዴሉ የተለመዱ የመለኪያ ጉድለቶችን ለማስወገድ ያስችላል, እጅግ በጣም ረጅም ከሆነው ግብዓት የበለጠ ትክክለኛ እና አስተማማኝ የ 3 ዲ አምሳያ ይፈጥራል. ሙሉውን ምስል በአንድ ጊዜ ለማየት ከመሞከር ከታመነ ኮር ወደመገንባት የሚደረግ ሽግግር ነው።

"የእኛ አካሄዳችን ከረዥም ቪዲዮ አለምአቀፍ ወጥ የሆነ የ3-ል ትእይንት መልሶ መገንባት ያስችላል። - LoGeR የምርምር ደራሲዎች

ተግባራዊ መተግበሪያዎች ለንግድ እና ለፈጣሪዎች

እንደ LoGeR ያሉ ቴክኖሎጂዎች ሊሆኑ የሚችሉ መተግበሪያዎች በጣም ሰፊ ናቸው። ለአርክቴክቶች እና ለሪል እስቴት ገንቢዎች፣ የጣቢያ ዳሰሳዎችን ሊለውጥ ይችላል፣ ይህም ቀላል የቪዲዮ መራመጃ የአንድን ንብረት ዝርዝር 3D ሞዴል ለመፍጠር ያስችላል። በመዝናኛ ውስጥ፣ ፊልም ሰሪዎች ዲጂታል ስብስቦችን ከቦታ ስካውቲንግ ቀረጻ መፍጠር ይችላሉ። ለሎጂስቲክስ እና መጋዘን አስተዳደር የግዙፍ መገልገያዎችን ተለዋዋጭ 3D ካርታ ስራን ያስችላል። ይህ ካልተዋቀረ ቪዲዮ የተቀናጀ ዲጂታል መንትያ የመፍጠር ችሎታ ኃይለኛ መሳሪያ ነው። በ Mewayz, ከዚህ ቴክኖሎጂ ጋር የተፈጥሮ ውህደት እናያለን. የእኛ ሞዱል የንግድ ስርዓተ ክወና ውስብስብ የውሂብ ዥረቶችን ለማዋሃድ እና ለማዋቀር ነው የተሰራው። አስቡት የፕሮጀክት አስተዳደር ሞጁል የጣቢያ ፍተሻ ቪዲዮ እንደ LoGeR ባሉ መሳሪያዎች በራስ-ሰር የሚሰራ ሲሆን ውጤቱም 3D ሞዴል በቅጽበት ከተግባር ዝርዝሮች፣ ክምችት እና የጊዜ ሰሌዳዎች ጋር በMewayz ፕላትፎርም ውስጥ የተገናኘ ሲሆን ይህም የፕሮጀክት እድገትን በእውነት መሳጭ እና በመረጃ የበለፀገ እይታን ይሰጣል።

ወደ ፊት በመመልከት፡ የSpatiotemporal ግንዛቤ የወደፊት ጊዜ

LoGeR ዓለማችንን እንደ ተከታታይ ቅጽበታዊ ገጽ እይታዎች ብቻ ሳይሆን እንደ ቀጣይነት ያለው፣ በዝግመተ 4D ቦታ (3D + ጊዜ) ሊረዱ ወደሚችሉ ወደ AI ስርዓቶች ጉልህ የሆነ ዝላይን ይወክላል። የወደፊት ድግግሞሾች ነገሮች የት እንዳሉ ብቻ ሳይሆን ለረጅም ጊዜ እንዴት እንደሚለዋወጡ እና እንደሚገናኙ በመረዳት ዕቃዎችን እና ሰዎችን በሰአታት ውስጥ ያለችግር መከታተል ይችላሉ። ይህ የቦታ ግንዛቤ የሚቀጥለው ድንበር ነው። እንደ Mewayz ላሉ መድረኮች፣ ለንግድ ሥራ ማዕከላዊ ኦፕሬቲንግ ሲስተም ለመሆን ዓላማ ያላቸው፣ እንደዚህ ያሉ የላቀ የመገኛ ቦታ ውሂብ አቅሞችን ማቀናጀት ኩባንያዎች እንዴት እንደሚያቅዱ፣ እንደሚቆጣጠሩ እና አካላዊ ሥራዎችን እንደሚተነትኑ ለውጥ ሊያመጣ ይችላል። አሃዛዊ እና ፊዚካዊ ዓለማት ያለምንም ውጣ ውረድ ወደ ብልህ ውሳኔ ሰጪነት የተሳሰሩበት ወደ ፊት እንድንቀርብ ያደርገናል።

አሁንም የምርምር ፕሮጄክት እያለ ሎገር የማንኛውም አካባቢ አጠቃላይ ዲጂታል ቅጂ መፍጠር ቪዲዮን የመቅዳት ያህል ቀላል የሚሆንበትን ወደፊት ይጠቁማል። በሰነድ፣ በመተንተን እና በምናባዊ መስተጋብር ላይ ያለው አንድምታ ጥልቅ ነው፣ ረዣዥም ቀረጻዎችን ወደ ዘላቂ፣ ሊመረመሩ የሚችሉ ዓለማት የሚቀይሩት።

ብዙ ጊዜ የሚጠየቁ ጥያቄዎች

የቪዲዮ ሰዓቶችን ወደ አንድ ወጥ 3D ዓለም መቀየር

የሠርግ ሥነ ሥርዓትን፣ የግንባታ ፕሮጀክትን ወይም ተፈጥሮን በጫካ ውስጥ ሲራመዱ የሚያሳይ ቪዲዮ ስታነሳ አስብ። በሰዓታት ቀረጻ ጨርሰሃል፣ ግን ጠፍጣፋ፣ መስመራዊ ቅደም ተከተል ነው። ያን ረጅም እና የማይሰራ ቪዲዮ ወደ አንድ ነጠላ እና ተንቀሳቃሽ 3D የሙሉ ትእይንት ሞዴል ቢቀይሩስ? ይህ የLoGeR ታላቅ ግብ ነው፣ በ DeepMind እና UC በርክሌይ መካከል ጥልቅ የሆነ የምርምር ትብብር። ይህ ቴክኖሎጂ ፎቶዎችን አንድ ላይ ብቻ አያጣምርም; በኮምፒዩተር እይታ ውስጥ ካሉት በጣም አስፈላጊ ተግዳሮቶች አንዱን በመፍታት በሁለቱም የቆይታ ጊዜ እና በአካላዊ መንገድ ረጅም ከሆኑ የቪዲዮ ዥረቶች በብልሃት የማያቋርጥ የ3-ል አለምን እንደገና ይገነባል።

ዋና ተግዳሮቱ፡ ከግዙፍ ሚዛኖች በላይ ወጥነት

ባህላዊ የ3-ል የመልሶ ግንባታ ዘዴዎች በአጫጭር የቪዲዮ ክሊፖች ወይም ከተለያዩ አቅጣጫዎች በተነሱ የፎቶዎች ስብስብ የላቀ ነው። ነገር ግን፣ በ"ረጅም" ቪዲዮዎች በእጅጉ ይታገላሉ። ችግሮቹ ሁለት ናቸው። አንደኛ፣ ጊዜያዊ ርዝመት፡- ቪዲዮው በደቂቃዎች ወይም በሰአታት ሲራዘም፣መብራት ይለወጣል፣ ነገሮች ይንቀሳቀሳሉ እና ሰዎች ይመጣሉ ይሄዳሉ። ሁለተኛ፣ የቦታ ልኬት፡ ካሜራው ልክ እንደ መናፈሻ ውስጥ እና ወደ ህንፃ ውስጥ እንደመራመድ ያሉ ሰፊ ቦታዎችን ሊያቋርጥ ይችላል፣ ይህም ለካርታ ትልቅ እና ውስብስብ አካባቢ ይፈጥራል። ነባር ሥርዓቶች ብዙ ጊዜ ወጥ የሆነ ዓለም አቀፋዊ ካርታን ማስጠበቅ ይሳናቸዋል፣ ይህም ወደ ተበታተኑ መልሶ ግንባታዎች ወይም "ተንሳፋፊዎች" -የየትኛውም ገጽ ያልሆኑ መናፍስታዊ ቅርሶች። LoGeR ይህንን የሚፈታው በእነዚህ ሰፊ የጊዜ እና የቦታ ሚዛኖች መካከል ወጥነት ያለው አንድነት በመገንባት ላይ በማተኮር ነው።

LoGeR እንዴት ወጥነት ያለው ተሃድሶ እንደሚያሳካ

LoGeR፣ የሎንግ ጀነሬቲቭ ሪኮንስትራክሽን (LoGeR) የሚወክለው፣ በ"ዘር ጅማሬ" ስትራቴጂ ላይ ያማከለ አዲስ አቀራረብን አስተዋውቋል። ስርዓቱ ከተመሰቃቀለ የቪዲዮ ዥረት በአንድ ጊዜ የ3-ል ትዕይንቱን ለመገንባት ከመሞከር ይልቅ፣ ስርዓቱ በመጀመሪያ በከፍተኛ እምነት እንደገና ለመገንባት ቀላል የሆነ ትንሽ እና ማስተዳደር የሚችል የቪዲዮውን ክፍል ይለያል። ይህ ከፍተኛ ጥራት ያለው 3D ፕላስተር እንደ የተረጋጋ መልህቅ ወይም "ዘር" ያገለግላል. ከዚያም አምሳያው ይህን የ3-ል ውክልና፣ ፍሬም በፍሬም ያሳድጋል፣ አዲስ የእይታ መረጃን በጥንቃቄ በማካተት ወደተመሰረተው ዘር አለምአቀፋዊ ወጥነትን ለማረጋገጥ። ይህ ዘዴ ውጤታማ በሆነ መንገድ ሞዴሉ የተለመዱ የመለኪያ ጉድለቶችን ለማስወገድ ያስችላል, እጅግ በጣም ረጅም ከሆነው ግብዓት የበለጠ ትክክለኛ እና አስተማማኝ የ 3 ዲ አምሳያ ይፈጥራል. ሙሉውን ምስል በአንድ ጊዜ ለማየት ከመሞከር ከታመነ ኮር ወደመገንባት የሚደረግ ሽግግር ነው።

ተግባራዊ መተግበሪያዎች ለንግድ እና ለፈጣሪዎች

እንደ LoGeR ያሉ ቴክኖሎጂዎች ሊሆኑ የሚችሉ መተግበሪያዎች በጣም ሰፊ ናቸው። ለአርክቴክቶች እና ለሪል እስቴት ገንቢዎች፣ የጣቢያ ዳሰሳዎችን ሊለውጥ ይችላል፣ ይህም ቀላል የቪዲዮ መራመጃ የአንድን ንብረት ዝርዝር 3D ሞዴል ለመፍጠር ያስችላል። በመዝናኛ ውስጥ፣ ፊልም ሰሪዎች ዲጂታል ስብስቦችን ከቦታ ስካውቲንግ ቀረጻ መፍጠር ይችላሉ። ለሎጂስቲክስ እና መጋዘን አስተዳደር የግዙፍ መገልገያዎችን ተለዋዋጭ 3D ካርታ ስራን ያስችላል። ይህ ካልተዋቀረ ቪዲዮ የተቀናጀ ዲጂታል መንትያ የመፍጠር ችሎታ ኃይለኛ መሳሪያ ነው። በ Mewayz, ከዚህ ቴክኖሎጂ ጋር የተፈጥሮ ውህደት እናያለን. የእኛ ሞዱል የንግድ ስርዓተ ክወና ውስብስብ የውሂብ ዥረቶችን ለማዋሃድ እና ለማዋቀር ነው የተሰራው። አስቡት የፕሮጀክት አስተዳደር ሞጁል የጣቢያ ፍተሻ ቪዲዮ እንደ LoGeR ባሉ መሳሪያዎች በራስ-ሰር የሚሰራ ሲሆን ውጤቱም 3D ሞዴል በቅጽበት ከተግባር ዝርዝሮች፣ ክምችት እና የጊዜ ሰሌዳዎች ጋር በMewayz ፕላትፎርም ውስጥ የተገናኘ ሲሆን ይህም የፕሮጀክት እድገትን በእውነት መሳጭ እና በመረጃ የበለፀገ እይታን ይሰጣል።

ወደፊት በመመልከት፡ የወደፊቱ የስፔቲምፖራል ግንዛቤ

LoGeR ዓለማችንን እንደ ተከታታይ ቅጽበታዊ ገጽ እይታዎች ብቻ ሳይሆን እንደ ቀጣይነት ያለው፣ በዝግመተ 4D ቦታ (3D + ጊዜ) ሊረዱ ወደሚችሉ ወደ AI ስርዓቶች ጉልህ የሆነ ዝላይን ይወክላል። የወደፊት ድግግሞሾች ነገሮች የት እንዳሉ ብቻ ሳይሆን ለረጅም ጊዜ እንዴት እንደሚለዋወጡ እና እንደሚገናኙ በመረዳት ዕቃዎችን እና ሰዎችን በሰአታት ውስጥ ያለችግር መከታተል ይችላሉ። ይህ የቦታ ግንዛቤ የሚቀጥለው ድንበር ነው። እንደ Mewayz ላሉ መድረኮች፣ ለንግድ ሥራ ማዕከላዊ ኦፕሬቲንግ ሲስተም ለመሆን ዓላማ ያላቸው፣ እንደዚህ ያሉ የላቀ የመገኛ ቦታ ውሂብ አቅሞችን ማቀናጀት ኩባንያዎች እንዴት እንደሚያቅዱ፣ እንደሚቆጣጠሩ እና አካላዊ ሥራዎችን እንደሚተነትኑ ለውጥ ሊያመጣ ይችላል። አሃዛዊ እና ፊዚካዊ ዓለማት ያለምንም ውጣ ውረድ ወደ ብልህ ውሳኔ ሰጪነት የተሳሰሩበት ወደ ፊት እንድንቀርብ ያደርገናል።