LoGeR – অতি দীঘলীয়া ভিডিঅ'ৰ পৰা 3D পুনৰ্গঠন (DeepMind, UC Berkeley)

<লেখা>

ভিডিঅ'ৰ ঘন্টাক এটা সুসংহত 3D জগতলৈ ৰূপান্তৰ কৰা

কল্পনা কৰক যে কোনো এটা সম্পূৰ্ণ অনুষ্ঠানৰ ভিডিঅ’ বন্দী কৰা হৈছে—এটা বিয়াৰ অনুষ্ঠান, কোনো নিৰ্মাণ প্ৰকল্প বা অৰণ্যৰ মাজেৰে প্ৰকৃতিৰ খোজ। শেষত আপুনি ঘণ্টাৰ পিছত ঘণ্টা ফুটেজৰ সৈতে শেষ কৰে, কিন্তু ই এটা সমতল, ৰৈখিক ক্ৰম। যদি আপুনি সেই দীঘলীয়া, অসহজ ভিডিঅ’টোক সমগ্ৰ দৃশ্যটোৰ একক, নেভিগেবল থ্ৰীডি মডেললৈ ৰূপান্তৰিত কৰিব পাৰে তেন্তে কি হ’ব? এইটোৱেই হৈছে ডিপমাইণ্ড আৰু ইউ চি বাৰ্কলেৰ মাজত এক যুগান্তকাৰী গৱেষণামূলক সহযোগিতা LoGeR ৰ অভিলাষী লক্ষ্য। এই প্ৰযুক্তিয়ে কেৱল ফটোবোৰক চিলাই কৰাই নহয়; ই বুদ্ধিমানৰূপে ভিডিঅ' ষ্ট্ৰিমৰ পৰা এটা স্থায়ী 3D জগত পুনৰ নিৰ্মাণ কৰে যি সময়সীমা আৰু ভৌতিক পথ দুয়োটাতে দীঘলীয়া, কম্পিউটাৰ দৃষ্টিৰ এটা উল্লেখযোগ্য প্ৰত্যাহ্বানৰ সৈতে মোকাবিলা কৰে।

মূল প্ৰত্যাহ্বান: বিশাল পৰিসৰত সামঞ্জস্যতা

পৰম্পৰাগত 3D পুনৰ্গঠন পদ্ধতিসমূহে চুটি ভিডিঅ' ক্লিপ বা একে মুহূৰ্ততে বিভিন্ন কোণৰ পৰা তোলা ফটোৰ সংকলনৰ সৈতে উত্তম। অৱশ্যে "দীঘলীয়া" ভিডিঅ'ৰ সৈতে তেওঁলোকে অপৰিসীম সংগ্ৰাম কৰে। অসুবিধা দুটা। প্ৰথমতে, কালিক দৈৰ্ঘ্য: ভিডিঅ’ এটা মিনিট বা ঘণ্টাৰ ভিতৰত বিস্তৃত হোৱাৰ লগে লগে পোহৰ সলনি হয়, বস্তুবোৰ গতি কৰে, আৰু মানুহ আহে আৰু যায়। দ্বিতীয়তে, স্থানীয় স্কেল: কেমেৰাই হয়তো এটা বৃহৎ অঞ্চল অতিক্ৰম কৰিব পাৰে, যেনে উদ্যানৰ মাজেৰে খোজ কাঢ়ি গৈ এটা অট্টালিকাত সোমাই মেপ কৰিবলৈ এক বিশাল আৰু জটিল পৰিৱেশৰ সৃষ্টি কৰিব পাৰে। বৰ্তমানৰ ব্যৱস্থাপ্ৰণালীসমূহে প্ৰায়ে এটা সামঞ্জস্যপূৰ্ণ গোলকীয় মানচিত্ৰ বজাই ৰাখিব নোৱাৰে, যাৰ ফলত বিচ্ছিন্ন পুনৰ্গঠন বা "ফ্ল'টাৰ"—ভূতৰ দৰে শিল্পকৰ্ম যিবোৰ কোনো পৃষ্ঠৰ অন্তৰ্গত নহয়। LoGeR এ ইয়াক সম্বোধন কৰে এটা ঐক্যবদ্ধ প্ৰতিনিধিত্ব গঢ়ি তোলাত মনোনিৱেশ কৰি যি এই বিশাল সময় আৰু স্থানৰ স্কেলসমূহৰ মাজেৰে সুসংহত হৈ থাকে।

LoGeR এ কেনেকৈ সুসংহত পুনৰ্গঠন লাভ কৰে

LoGeR, যাৰ অৰ্থ হৈছে লং জেনেৰেটিভ ৰিকনষ্ট্ৰাকচন, ই এটা "বীজ আৰম্ভণি" কৌশলক কেন্দ্ৰ কৰি এক নতুন পদ্ধতিৰ প্ৰৱৰ্তন কৰে। বিশৃংখল ভিডিঅ’ ষ্ট্ৰিমৰ পৰা একেলগে সমগ্ৰ থ্ৰীডি দৃশ্যটো নিৰ্মাণ কৰিবলৈ চেষ্টা কৰাৰ পৰিৱৰ্তে, ব্যৱস্থাটোৱে প্ৰথমে ভিডিঅ’টোৰ এটা সৰু, পৰিচালনাযোগ্য অংশ চিনাক্ত কৰে যিটো উচ্চ আত্মবিশ্বাসেৰে পুনৰ নিৰ্মাণ কৰাটো সহজ। এই উচ্চমানৰ 3D পেচে এটা সুস্থিৰ এংকৰ বা "বীজ" হিচাপে কাম কৰে। তাৰ পিছত মডেলে এই ত্ৰিমাত্ৰিক উপস্থাপনক ক্ৰমান্বয়ে বৃদ্ধি কৰে, ফ্ৰেমৰ পিছত ফ্ৰেম, নতুন দৃশ্যমান তথ্য সাৱধানে অন্তৰ্ভুক্ত কৰাৰ লগতে গোলকীয় সামঞ্জস্যতা নিশ্চিত কৰিবলৈ প্ৰতিষ্ঠিত বীজলৈ পুনৰ উল্লেখ কৰে। এই পদ্ধতিয়ে ফলপ্ৰসূভাৱে মডেলটোক স্কেলৰ সাধাৰণ ফান্দসমূহ এৰাই চলিবলৈ অনুমতি দিয়ে, অতি দীঘলীয়া ইনপুটৰ পৰা অধিক সঠিক আৰু নিৰ্ভৰযোগ্য ত্ৰিমাত্ৰিক মডেল সৃষ্টি কৰে। গোটেই ছবিখন একেলগে চাবলৈ চেষ্টা কৰাৰ পৰা বিশ্বাসযোগ্য মূলৰ পৰা গঢ়ি তোলালৈ পৰিৱৰ্তন।

<ব্লককোট> "আমাৰ পদ্ধতিয়ে এটা দীঘলীয়া ভিডিঅ'ৰ পৰা বিশ্বব্যাপী সামঞ্জস্যপূৰ্ণ ত্ৰিমাত্ৰিক দৃশ্যৰ পুনৰ্গঠন সক্ষম কৰে, যিটো বৰ্তমানৰ পদ্ধতিসমূহৰ বাবে এক প্ৰত্যাহ্বানমূলক পৰিৱেশ যিয়ে প্ৰায়ে বিচ্ছিন্ন জ্যামিতি উৎপন্ন কৰে।" - LoGeR গৱেষণা লেখক ৰ দ্বাৰা

ব্যৱসায় আৰু সৃষ্টিকৰ্তাৰ বাবে ব্যৱহাৰিক প্ৰয়োগ

LoGeR ৰ দৰে প্ৰযুক্তিৰ বাবে সম্ভাৱ্য প্ৰয়োগ বিশাল। স্থপতিবিদ আৰু ৰিয়েল এষ্টেট ডেভেলপাৰৰ বাবে ই চাইট জৰীপক ৰূপান্তৰিত কৰিব পাৰে, যাৰ ফলত এটা সৰল ভিডিঅ' ৱাকথ্ৰুৱে এটা সম্পত্তিৰ বিশদ 3D মডেল সৃষ্টি কৰিব পাৰে। মনোৰঞ্জনৰ ক্ষেত্ৰত চলচ্চিত্ৰ নিৰ্মাতাসকলে বিস্তৃত স্থান স্কাউটিং ফুটেজৰ পৰা ডিজিটেল চেট তৈয়াৰ কৰিব পাৰিছিল। লজিষ্টিক আৰু গুদাম ব্যৱস্থাপনাৰ বাবে ই বৃহৎ সুবিধাসমূহৰ গতিশীল থ্ৰীডি মেপিং সক্ষম কৰিব পাৰে। অগাঁথনিহীন ভিডিঅ’ৰ পৰা এটা সংহত ডিজিটেল যমজ সৃষ্টি কৰাৰ এই ক্ষমতা এক শক্তিশালী আহিলা। মেৱাইজত আমি এই প্ৰযুক্তিৰ সৈতে এক স্বাভাৱিক সহযোগিতা দেখিবলৈ পাওঁ। আমাৰ মডিউলাৰ ব্যৱসায়িক অপাৰেটিং চিষ্টেম জটিল ডাটা ষ্ট্ৰিমসমূহ একত্ৰিত আৰু গঠন কৰিবলৈ নিৰ্মিত। এটা প্ৰকল্প ব্যৱস্থাপনা মডিউল কল্পনা কৰক য'ত এটা চাইট পৰিদৰ্শন ভিডিঅ' স্বয়ংক্ৰিয়ভাৱে LoGeR ৰ দৰে সঁজুলিৰ দ্বাৰা প্ৰক্ৰিয়াকৰণ কৰা হয়, আৰু ফলস্বৰূপে 3D মডেলক তৎক্ষণাত Mewayz প্লেটফৰ্মৰ ভিতৰত কাৰ্য্য তালিকা, তথ্য, আৰু সময়ৰেখাৰ সৈতে সংযুক্ত কৰা হয়, প্ৰকল্পৰ অগ্ৰগতিৰ সঁচাকৈয়ে নিমজ্জিত আৰু তথ্য-সমৃদ্ধ দৃশ্য প্ৰদান কৰে।

আগলৈ চোৱা: স্থানকালীন বুজাবুজিৰ ভৱিষ্যত

LoGeR এ AI ব্যৱস্থাৰ দিশত এটা উল্লেখযোগ্য জাঁপ প্ৰতিনিধিত্ব কৰে যিয়ে আমাৰ পৃথিৱীখনক কেৱল স্নেপশ্বটৰ শৃংখলা হিচাপে নহয়, কিন্তু এটা অবিৰত, বিকশিত 4D স্থান (3D + সময়) হিচাপে বুজিব পাৰে। ভৱিষ্যতৰ পুনৰাবৃত্তিই বস্তু আৰু মানুহক ঘণ্টাৰ পিছত ঘণ্টা ধৰি নিৰৱচ্ছিন্নভাৱে অনুসৰণ কৰিব পাৰে, কেৱল বস্তুবোৰ ক'ত আছে সেয়াই নহয়, কিন্তু দীৰ্ঘ সময়ৰ বাবে ইহঁতে কেনেকৈ সলনি আৰু পাৰস্পৰিক ক্ৰিয়া কৰে সেয়া বুজিব পাৰে। এই স্থানকালীন বুজাবুজিটোৱেই হৈছে পৰৱৰ্তী সীমা। Mewayz ৰ দৰে প্লেটফৰ্মৰ বাবে, যিয়ে এটা ব্যৱসায়ৰ বাবে কেন্দ্ৰীয় অপাৰেটিং চিষ্টেম হোৱাৰ লক্ষ্য ৰাখে, এনে উন্নত স্থানীয় ডাটা ক্ষমতাসমূহ একত্ৰিত কৰিলে কোম্পানীসমূহে ভৌতিক কাৰ্য্যকলাপসমূহ কেনেকৈ পৰিকল্পনা, নিৰীক্ষণ আৰু বিশ্লেষণ কৰে, সেই বিষয়ে বৈপ্লৱিক পৰিৱৰ্তন আনিব পাৰে। ই আমাক এনে এটা ভৱিষ্যতৰ ওচৰলৈ লৈ যায় য’ত ডিজিটেল আৰু ভৌতিক জগতখন স্মাৰ্ট সিদ্ধান্ত গ্ৰহণৰ বাবে নিৰৱচ্ছিন্নভাৱে আন্তঃসংলগ্ন হৈ থাকে।

এতিয়াও এটা গৱেষণা প্ৰকল্প হৈ থকাৰ সময়তে, LoGeR এ এনে এটা ভৱিষ্যতৰ দিশলৈ আঙুলিয়াই দিয়ে য'ত যিকোনো পৰিৱেশৰ এটা বিস্তৃত ডিজিটেল কপি সৃষ্টি কৰাটো এটা ভিডিঅ' ৰেকৰ্ডিং কৰাৰ দৰেই সহজ। নথিপত্ৰ, বিশ্লেষণ, আৰু ভাৰ্চুৱেল পাৰস্পৰিক ক্ৰিয়াৰ বাবে প্ৰভাৱ গভীৰ, দীঘলীয়া ৰেকৰ্ডিংসমূহক স্থায়ী, অন্বেষণযোগ্য জগতলৈ ৰূপান্তৰিত কৰে।

সঘনাই সোধা প্ৰশ্ন

ভিডিঅ'ৰ ঘন্টাক এটা সুসংহত 3D জগতলৈ ৰূপান্তৰ কৰা

কল্পনা কৰক যে কোনো এটা সম্পূৰ্ণ অনুষ্ঠানৰ ভিডিঅ’ বন্দী কৰা হৈছে—এটা বিয়াৰ অনুষ্ঠান, কোনো নিৰ্মাণ প্ৰকল্প বা অৰণ্যৰ মাজেৰে প্ৰকৃতিৰ খোজ। শেষত আপুনি ঘণ্টাৰ পিছত ঘণ্টা ফুটেজৰ সৈতে শেষ কৰে, কিন্তু ই এটা সমতল, ৰৈখিক ক্ৰম। যদি আপুনি সেই দীঘলীয়া, অসহজ ভিডিঅ’টোক সমগ্ৰ দৃশ্যটোৰ একক, নেভিগেবল থ্ৰীডি মডেললৈ ৰূপান্তৰিত কৰিব পাৰে তেন্তে কি হ’ব? এইটোৱেই হৈছে ডিপমাইণ্ড আৰু ইউ চি বাৰ্কলেৰ মাজত এক যুগান্তকাৰী গৱেষণামূলক সহযোগিতা LoGeR ৰ অভিলাষী লক্ষ্য। এই প্ৰযুক্তিয়ে কেৱল ফটোবোৰক চিলাই কৰাই নহয়; ই বুদ্ধিমানৰূপে ভিডিঅ' ষ্ট্ৰিমৰ পৰা এটা স্থায়ী 3D জগত পুনৰ নিৰ্মাণ কৰে যি সময়সীমা আৰু ভৌতিক পথ দুয়োটাতে দীঘলীয়া, কম্পিউটাৰ দৃষ্টিৰ এটা উল্লেখযোগ্য প্ৰত্যাহ্বানৰ সৈতে মোকাবিলা কৰে।

মূল প্ৰত্যাহ্বান: বিশাল পৰিসৰত সামঞ্জস্যতা

পৰম্পৰাগত 3D পুনৰ্গঠন পদ্ধতিসমূহে চুটি ভিডিঅ' ক্লিপ বা একে মুহূৰ্ততে বিভিন্ন কোণৰ পৰা তোলা ফটোৰ সংকলনৰ সৈতে উত্তম। অৱশ্যে "দীঘলীয়া" ভিডিঅ'ৰ সৈতে তেওঁলোকে অপৰিসীম সংগ্ৰাম কৰে। অসুবিধা দুটা। প্ৰথমতে, কালিক দৈৰ্ঘ্য: ভিডিঅ’ এটা মিনিট বা ঘণ্টাৰ ভিতৰত বিস্তৃত হোৱাৰ লগে লগে পোহৰ সলনি হয়, বস্তুবোৰ গতি কৰে আৰু মানুহ আহে আৰু যায়। দ্বিতীয়তে, স্থানীয় পৰিসৰ: কেমেৰাই হয়তো এটা বৃহৎ অঞ্চল অতিক্ৰম কৰিব পাৰে, যেনে উদ্যানৰ মাজেৰে খোজ কাঢ়ি গৈ এটা অট্টালিকাত সোমাই মেপ কৰিবলৈ এক বিশাল আৰু জটিল পৰিৱেশৰ সৃষ্টি কৰিব পাৰে। বৰ্তমানৰ ব্যৱস্থাপ্ৰণালীসমূহে প্ৰায়ে এটা সামঞ্জস্যপূৰ্ণ গোলকীয় মানচিত্ৰ বজাই ৰাখিব নোৱাৰে, যাৰ ফলত বিচ্ছিন্ন পুনৰ্গঠন বা "ফ্ল'টাৰ"—ভূতৰ দৰে শিল্পকৰ্ম যিবোৰ কোনো পৃষ্ঠৰ অন্তৰ্গত নহয়। LoGeR এ ইয়াক সম্বোধন কৰে এটা ঐক্যবদ্ধ প্ৰতিনিধিত্ব গঢ়ি তোলাত মনোনিৱেশ কৰি যি এই বিশাল সময় আৰু স্থানৰ স্কেলসমূহৰ মাজেৰে সুসংহত হৈ থাকে।

LoGeR এ কেনেকৈ সুসংহত পুনৰ্গঠন লাভ কৰে

LoGeR, যাৰ অৰ্থ হৈছে লং জেনেৰেটিভ ৰিকনষ্ট্ৰাকচন, ই এটা "বীজ আৰম্ভণি" কৌশলক কেন্দ্ৰ কৰি এক নতুন পদ্ধতিৰ প্ৰৱৰ্তন কৰে। বিশৃংখল ভিডিঅ’ ষ্ট্ৰিমৰ পৰা একেলগে সমগ্ৰ থ্ৰীডি দৃশ্যটো নিৰ্মাণ কৰিবলৈ চেষ্টা কৰাৰ পৰিৱৰ্তে, ব্যৱস্থাটোৱে প্ৰথমে ভিডিঅ’টোৰ এটা সৰু, পৰিচালনাযোগ্য অংশ চিনাক্ত কৰে যিটো উচ্চ আত্মবিশ্বাসেৰে পুনৰ নিৰ্মাণ কৰাটো সহজ। এই উচ্চমানৰ 3D পেচে এটা সুস্থিৰ এংকৰ বা "বীজ" হিচাপে কাম কৰে। তাৰ পিছত মডেলে এই ত্ৰিমাত্ৰিক উপস্থাপনক ক্ৰমান্বয়ে বৃদ্ধি কৰে, ফ্ৰেমৰ পিছত ফ্ৰেম, নতুন দৃশ্যমান তথ্য সাৱধানে অন্তৰ্ভুক্ত কৰাৰ লগতে গোলকীয় সামঞ্জস্যতা নিশ্চিত কৰিবলৈ প্ৰতিষ্ঠিত বীজলৈ পুনৰ উল্লেখ কৰে। এই পদ্ধতিয়ে ফলপ্ৰসূভাৱে মডেলটোক স্কেলৰ সাধাৰণ ফান্দসমূহ এৰাই চলিবলৈ অনুমতি দিয়ে, অতি দীঘলীয়া ইনপুটৰ পৰা অধিক সঠিক আৰু নিৰ্ভৰযোগ্য ত্ৰিমাত্ৰিক মডেল সৃষ্টি কৰে। গোটেই ছবিখন একেলগে চাবলৈ চেষ্টা কৰাৰ পৰা বিশ্বাসযোগ্য মূলৰ পৰা গঢ়ি তোলালৈ পৰিৱৰ্তন।

ব্যৱসায় আৰু সৃষ্টিকৰ্তাৰ বাবে ব্যৱহাৰিক প্ৰয়োগ

LoGeR ৰ দৰে প্ৰযুক্তিৰ বাবে সম্ভাৱ্য প্ৰয়োগ বিশাল। স্থপতিবিদ আৰু ৰিয়েল এষ্টেট ডেভেলপাৰৰ বাবে ই চাইট জৰীপক ৰূপান্তৰিত কৰিব পাৰে, যাৰ ফলত এটা সৰল ভিডিঅ' ৱাকথ্ৰুৱে এটা সম্পত্তিৰ বিশদ 3D মডেল সৃষ্টি কৰিব পাৰে। মনোৰঞ্জনৰ ক্ষেত্ৰত চলচ্চিত্ৰ নিৰ্মাতাসকলে বিস্তৃত স্থান স্কাউটিং ফুটেজৰ পৰা ডিজিটেল চেট তৈয়াৰ কৰিব পাৰিছিল। লজিষ্টিক আৰু গুদাম ব্যৱস্থাপনাৰ বাবে ই বৃহৎ সুবিধাসমূহৰ গতিশীল থ্ৰীডি মেপিং সক্ষম কৰিব পাৰে। অগাঁথনিহীন ভিডিঅ’ৰ পৰা এটা সংহত ডিজিটেল যমজ সৃষ্টি কৰাৰ এই ক্ষমতা এক শক্তিশালী আহিলা। মেৱাইজত আমি এই প্ৰযুক্তিৰ সৈতে এক স্বাভাৱিক সহযোগিতা দেখিবলৈ পাওঁ। আমাৰ মডিউলাৰ ব্যৱসায়িক অপাৰেটিং চিষ্টেম জটিল ডাটা ষ্ট্ৰিমসমূহ একত্ৰিত আৰু গঠন কৰিবলৈ নিৰ্মিত। এটা প্ৰকল্প ব্যৱস্থাপনা মডিউল কল্পনা কৰক য'ত এটা চাইট পৰিদৰ্শন ভিডিঅ' স্বয়ংক্ৰিয়ভাৱে LoGeR ৰ দৰে সঁজুলিৰ দ্বাৰা প্ৰক্ৰিয়াকৰণ কৰা হয়, আৰু ফলস্বৰূপে 3D মডেলক তৎক্ষণাত Mewayz প্লেটফৰ্মৰ ভিতৰত কাৰ্য্য তালিকা, তথ্য, আৰু সময়ৰেখাৰ সৈতে সংযুক্ত কৰা হয়, প্ৰকল্পৰ অগ্ৰগতিৰ সঁচাকৈয়ে নিমজ্জিত আৰু তথ্য-সমৃদ্ধ দৃশ্য প্ৰদান কৰে।

আগলৈ চোৱা: স্থানকালীন বুজাবুজিৰ ভৱিষ্যত

LoGeR এ AI ব্যৱস্থাৰ দিশত এটা উল্লেখযোগ্য জাঁপ প্ৰতিনিধিত্ব কৰে যিয়ে আমাৰ পৃথিৱীখনক কেৱল স্নেপশ্বটৰ শৃংখলা হিচাপে নহয়, কিন্তু এটা অবিৰত, বিকশিত 4D স্থান (3D + সময়) হিচাপে বুজিব পাৰে। ভৱিষ্যতৰ পুনৰাবৃত্তিই বস্তু আৰু মানুহক ঘণ্টাৰ পিছত ঘণ্টা ধৰি নিৰৱচ্ছিন্নভাৱে অনুসৰণ কৰিব পাৰে, কেৱল বস্তুবোৰ ক'ত আছে সেয়াই নহয়, কিন্তু দীৰ্ঘ সময়ৰ বাবে ইহঁতে কেনেকৈ সলনি আৰু পাৰস্পৰিক ক্ৰিয়া কৰে সেয়া বুজিব পাৰে। এই স্থানকালীন বুজাবুজিটোৱেই হৈছে পৰৱৰ্তী সীমা। Mewayz ৰ দৰে প্লেটফৰ্মৰ বাবে, যিয়ে এটা ব্যৱসায়ৰ বাবে কেন্দ্ৰীয় অপাৰেটিং চিষ্টেম হোৱাৰ লক্ষ্য ৰাখে, এনে উন্নত স্থানীয় ডাটা ক্ষমতাসমূহ একত্ৰিত কৰিলে কোম্পানীসমূহে ভৌতিক কাৰ্য্যকলাপসমূহ কেনেকৈ পৰিকল্পনা, নিৰীক্ষণ আৰু বিশ্লেষণ কৰে, সেই বিষয়ে বৈপ্লৱিক পৰিৱৰ্তন আনিব পাৰে। ই আমাক এনে এটা ভৱিষ্যতৰ ওচৰলৈ লৈ যায় য’ত ডিজিটেল আৰু ভৌতিক জগতখন স্মাৰ্ট সিদ্ধান্ত গ্ৰহণৰ বাবে নিৰৱচ্ছিন্নভাৱে আন্তঃসংলগ্ন হৈ থাকে।