LoGeR - rekonstriksyon 3D ki soti nan videyo trè long (DeepMind, UC Berkeley)

Transfòme Orè Videyo an yon Monn 3D ki aderan

Imajine w pran yon videyo sou yon evènman antye—yon seremoni maryaj, yon pwojè konstriksyon, oswa yon pwomnad lanati nan yon forè. Ou fini ak èdtan nan pye, men li se yon plat, sekans lineyè. E si ou ta ka transfòme videyo sa a ki long, ki difisil nan yon sèl modèl 3D navigab nan tout sèn nan? Sa a se objektif anbisye LoGeR, yon kolaborasyon rechèch inogirasyon ant DeepMind ak UC Berkeley. Teknoloji sa a pa jis koud foto ansanm; li entèlijans rekonstwi yon mond 3D ki pèsistan nan kouran videyo ki long nan dire ak chemen fizik, abòde youn nan defi ki pi enpòtan nan vizyon òdinatè.

Defi debaz la: Konsistans sou gwo echèl

Metòd rekonstriksyon 3D tradisyonèl yo briye ak videyo kout oswa yon koleksyon foto yo pran nan diferan ang nan menm moman an. Sepandan, yo ap lite anpil ak videyo "long". Difikilte yo gen de fwa. Premyèman, longè tanporèl: kòm yon videyo detire sou minit oswa èdtan, ekleraj chanje, objè deplase, epi moun vini e ale. Dezyèmman, echèl espasyal: kamera a ta ka travèse yon zòn gwo, tankou mache nan yon pak ak nan yon bilding, kreye yon anviwònman masiv ak konplèks nan kat jeyografik. Sistèm ki egziste deja yo souvan echwe pou kenbe yon kat jeyografik mondyal ki konsistan, ki mennen nan rekonstriksyon disjointed oswa "floatè" - zafè fantom ki pa fè pati okenn sifas. LoGeR abòde sa a lè li konsantre sou bati yon reprezantasyon inifye ki rete aderan atravè gwo echèl tan ak espas sa yo.

Kijan LoGeR reyalize yon rekonstriksyon aderan

LoGeR, ki vle di Long Generative Reconstruction, prezante yon nouvo apwòch ki santre sou yon estrateji "inisyalizasyon grenn". Olye pou yo eseye bati tout sèn 3D a an menm tan apati de yon kouran videyo chaotic, sistèm nan premye idantifye yon ti segman jere nan videyo a ki pi fasil pou rekonstwi ak anpil konfyans. Patch 3D-wo kalite sa a sèvi kòm yon lank ki estab oswa "grenn." Lè sa a, modèl la ogmante reprezantasyon 3D sa a, ankadreman pa ankadreman, ak anpil atansyon enkòpore nouvo enfòmasyon vizyèl pandan y ap fè referans tounen nan pitit pitit etabli a asire konsistans mondyal la. Metòd sa a efektivman pèmèt modèl la pou fè pou evite enkonvenyans komen nan echèl, kreye yon modèl 3D ki pi egzak ak serye nan opinyon an trè long. Li se yon chanjman soti nan eseye wè foto an antye nan yon fwa pou konstwi li soti nan yon nwayo ou fè konfyans.

"Apwòch nou an pèmèt rekonstriksyon yon sèn 3D ki konsistan globalman apati de yon videyo long, ki se yon anviwònman difisil pou metòd ki egziste deja ki souvan pwodui jeyometri dekonekte." - LoGeR Rechèch Otè

Aplikasyon pratik pou biznis ak kreyatè

Aplikasyon potansyèl pou yon teknoloji tankou LoGeR yo anpil. Pou achitèk ak devlopè byen imobilye, li ta ka transfòme sondaj sit yo, sa ki pèmèt yon senp videyo solisyon jenere yon modèl 3D detaye nan yon pwopriyete. Nan amizman, registè yo te kapab kreye seri dijital apati de gwo simaye eksklizyon kote. Pou lojistik ak jesyon depo, li ta ka pèmèt kat dinamik 3D nan enstalasyon masiv. Kapasite sa a pou kreye yon jimo dijital limenm nan videyo ki pa estriktire se yon zouti pwisan. Nan Mewayz, nou wè yon sinèrji natirèl ak teknoloji sa a. OS modilè biznis nou an bati pou entegre ak estriktire kouran done konplèks. Imajine yon modil jesyon pwojè kote yon zouti tankou LoGeR trete yon videyo enspeksyon sit otomatikman, epi modèl 3D ki kapab lakòz la imedyatman lye ak lis travay, envantè, ak delè nan platfòm Mewayz la, ki bay yon gade vrèman immersif ak done ki rich sou pwogrè pwojè a.

Gade devan: avni konpreyansyon espas-temporal

LoGeR reprezante yon pwogrè enpòtan nan direksyon sistèm AI ki ka konprann mond nou an pa sèlman kòm yon seri de snapshots, men kòm yon espas kontinyèl, evolye 4D (3D + tan). Iterasyon nan lavni ta ka swiv objè ak moun san pwoblèm atravè èdtan, konprann pa sèlman kote bagay yo ye, men ki jan yo chanje ak kominike sou peryòd tan. Konpreyansyon espas-temporal sa a se pwochen fwontyè a. Pou platfòm tankou Mewayz, ki vize yo dwe sistèm operasyon santral pou yon biznis, entegre kapasite avanse done espasyal sa yo ka revolisyone fason konpayi yo planifye, kontwole ak analize operasyon fizik yo. Li fè nou vin pi pre yon avni kote monn dijital ak monn fizik yo byen konekte pou pran desizyon pi entelijan.

Pandan ke yo toujou yon pwojè rechèch, LoGeR montre yon avni kote kreye yon kopi dijital konplè nenpòt anviwònman se senp tankou anrejistreman yon videyo. Enplikasyon yo pou dokimantasyon, analiz, ak entèraksyon vityèl yo pwofon, fè anrejistreman ki long yo tounen mond ki dire lontan, eksplorabl.