HyperAIHyperAI
منذ 2 أشهر

تعلم التنبؤ بالكائنات ثلاثية الأبعاد باستخدام مُصوِّر قابل للتفاضل يستند إلى الاستيفاء

Wenzheng Chen; Jun Gao; Huan Ling; Edward J. Smith; Jaakko Lehtinen; Alec Jacobson; Sanja Fidler
تعلم التنبؤ بالكائنات ثلاثية الأبعاد باستخدام مُصوِّر قابل للتفاضل يستند إلى الاستيفاء
الملخص

تعمل العديد من نماذج التعلم الآلي على الصور، لكنها تتجاهل حقيقة أن الصور هي إسقاطات ثنائية الأبعاد تتشكل نتيجة تفاعل الهندسة ثلاثية الأبعاد مع الضوء في عملية تسمى بالرسم (rendering). يمكن أن يكون تمكين نماذج التعلم الآلي من فهم كيفية تكوين الصور مفتاحًا للعمومية. ومع ذلك، بسبب خطوة الرASTERIZATION الأساسية التي تتضمن عمليات تعيين متقطعة، تكون أنابيب الرسم غير قابلة للمفاضلة وبالتالي غير متاحة بشكل كبير للتقنيات القائمة على التدرج في التعلم الآلي. في هذا البحث، نقدم إطار عمل الرسم القابل للمفاضلة \emph{DIB-R} والذي يسمح بحساب التدرجات بشكل تحليلي لجميع البكسلات في صورة. المفتاح في نهجنا هو النظر إلى رASTERIZATION المقدمة كتقريب موزون لخصائص محلية والخلفية كجمع يعتمد على المسافة لهندسة عالمية. يتيح نهجنا تحقيق الأمثلة الدقيقة لمواقع الرؤوس، الألوان، الNormals، اتجاهات الإضاءة وتنسيق النسيج من خلال مجموعة متنوعة من نماذج الإضاءة. نعرض نهجنا في تطبيقي تعلم آلي: التنبؤ بجسم ثلاثي الأبعاد من صورة واحدة وإنشاء جسم ثلاثي الأبعاد ملمس، وكلاهما تم تدريبه باستخدام إشراف ثنائي الأبعاد فقط. موقع مشروعنا هو: https://nv-tlabs.github.io/DIB-R/请注意,为了保持专业性和准确性,我保留了某些技术术语的英文形式(如 DIB-R, rasterization, normals),并在首次出现时进行了注释。在实际应用中,这些术语可以根据具体上下文和目标读者的专业背景进行调整。

تعلم التنبؤ بالكائنات ثلاثية الأبعاد باستخدام مُصوِّر قابل للتفاضل يستند إلى الاستيفاء | أحدث الأوراق البحثية | HyperAI