HyperAIHyperAI

Command Palette

Search for a command to run...

مُرَنِّع ناعم: محرك تظليل قابل للتفاضل للاستدلال ثلاثي الأبعاد القائم على الصور

Shichen Liu Tianye Li Weikai Chen Hao Li

الملخص

الرسم ثلاثي الأبعاد يربط الفجوة بين الرؤية ثنائية الأبعاد والمشهد ثلاثي الأبعاد من خلال محاكاة العملية الفيزيائية لتكوين الصورة. من خلال عكس مثل هذا المحاكِ، يمكن التفكير في نهج تعليمي لاستنتاج المعلومات ثلاثية الأبعاد من الصور ثنائية الأبعاد. ومع ذلك، فإن المحاكيات الرسومية القياسية تتضمن خطوة تقسيم أساسية تسمى الترسيم (rasterization)، والتي تحول دون قابلية عملية الرسم للتفاضل وبالتالي قابليتها للتعلم. على عكس أحدث المحاكيات القابلة للتفاضل، التي تقترب فقط من تدرج الرسم في انتشار العودة (back propagation)، نقترح إطارًا رصديًا قابلًا للتفاضل تمامًا والذي يتمكن من (1) رسم الشبكة الملونة مباشرة باستخدام الدوال القابلة للتفاضل و(2) نقل إشارات الإشراف الكفؤة إلى رؤوس الشبكة وخصائصها من أشكال مختلفة لتمثيل الصور، بما في ذلك السيلوات (silhouette) والتظليل والألوان.المفتاح لإطارنا هو صياغة جديدة تعتبر الرسم دالة تجميع تقوم بدمج المساهمات الاحتمالية لجميع مثلثات الشبكة بالنسبة للبكسل المرسومة. هذه الصياغة تمكّن إطارنا من تدفق التدرجات إلى الرؤوس المخفية والبعيدة، وهو ما لا يمكن تحقيقه بواسطة التقنيات السابقة الأكثر تقدمًا. نظهر أن استخدام المحاكِ المقترح يمكن أن يؤدي إلى تحسين كبير في إعادة بناء المشاهدة الواحدة غير المراقبة ثلاثية الأبعاد سواءً بشكل نوعي أو كمي. كما توضح التجارب أيضًا أن نهجنا قادر على التعامل مع المهام الصعبة في مطابقة الشكل المستند إلى الصور، والتي لا تزال غير بسيطة للمحاكيات القابلة للتفاضل الحالية.


بناء الذكاء الاصطناعي بالذكاء الاصطناعي

من الفكرة إلى الإطلاق — سرّع تطوير الذكاء الاصطناعي الخاص بك مع المساعدة البرمجية المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.

البرمجة التعاونية باستخدام الذكاء الاصطناعي
وحدات GPU جاهزة للعمل
أفضل الأسعار

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp