అనేక అమెరికన్ విశ్వవిద్యాలయాలకు చెందిన పరిశోధకుల బృందం ఒక ప్రాజెక్ట్‌ను ప్రచురించింది (పిక్సెల్-అలైన్డ్ ఇంప్లిసిట్ ఫంక్షన్), ఇది ఒకటి లేదా అంతకంటే ఎక్కువ ద్విమితీయ చిత్రాల నుండి ఒక వ్యక్తి యొక్క 3D మోడల్‌ను రూపొందించడానికి మెషీన్ లెర్నింగ్ పద్ధతులను వర్తింపజేయడానికి మిమ్మల్ని అనుమతిస్తుంది. 3D మోడల్ నిర్మించబడిన ప్రొజెక్షన్‌లో కనిపించని ప్రదేశాలలో ఆకృతిని మరియు ఆకృతిని స్వతంత్రంగా పునరుద్ధరిస్తుంది, ప్లీటెడ్ స్కర్ట్స్ మరియు హీల్స్ మరియు వివిధ కేశాలంకరణ వంటి సంక్లిష్టమైన దుస్తుల ఎంపికలను పునఃసృష్టి చేయడానికి సిస్టమ్ మిమ్మల్ని అనుమతిస్తుంది. చివరి 3D మోడల్ యొక్క నాణ్యత మరియు వివరాలను పెంచడానికి, వివిధ కోణాల నుండి అనేక చిత్రాలను ఉపయోగించవచ్చు. ప్రాజెక్ట్ కోడ్ PyTorch ఫ్రేమ్‌వర్క్‌ను ఉపయోగించి పైథాన్‌లో వ్రాయబడింది మరియు MIT లైసెన్స్ కింద.
త్రిమితీయ లేఅవుట్‌ను పునర్నిర్మించడానికి ఒక న్యూరల్ నెట్‌వర్క్ మూలంగా ఉపయోగించబడుతుంది, ఇది ఇప్పటికే ఉన్న వస్తువుల యొక్క వివిధ వెర్షన్‌లపై శిక్షణ పొందిన మోడల్ నుండి ప్రారంభించి, చాలా మటుకు ఆకారాన్ని ఎంచుకోవడానికి మరియు దాచిన అంశాలను కనుగొనడానికి మిమ్మల్ని అనుమతిస్తుంది. సమాంతరంగా, ప్రాజెక్ట్ అందించిన 2D ఇమేజ్‌లలోని అల్లికలతో ఫలిత వాల్యూమెట్రిక్ లేఅవుట్‌ను సరిపోల్చడానికి ఒక అల్గారిథమ్‌ను అందిస్తుంది, ఇది 3D ఇమేజ్ యొక్క పిక్సెల్‌లను XNUMXD ఆబ్జెక్ట్‌పై వాటి స్థానానికి అనుగుణంగా సమలేఖనం చేస్తుంది మరియు ఎక్కువగా తప్పిపోయిన అల్లికలను ఉత్పత్తి చేస్తుంది. ఏదైనా చిత్రాన్ని ఎన్‌కోడ్ చేయవచ్చు కోసం
ఉపరితల పునర్నిర్మాణం అనువర్తిత నిర్మాణం "", ఎ
ఆకృతి మ్యాచింగ్ కోసం ఆర్కిటెక్చర్ ఆధారిత న్యూరల్ నెట్‌వర్క్ ఉపయోగించబడుతుంది .
పరిశోధకులు ఉపయోగించే రెడీమేడ్ శిక్షణ పొందిన మోడల్ ఉచిత డౌన్‌లోడ్ కోసం అందుబాటులో ఉంది, అయితే శిక్షణ కోసం ఉపయోగించే ముడి డేటా ప్రైవేట్‌గా ఉంటుంది, ఎందుకంటే ఇది వాణిజ్య 3D స్కాన్‌ల ఆధారంగా ఉంటుంది. మోడల్ యొక్క స్వీయ-శిక్షణ కోసం మూలంగా ఉపయోగించవచ్చు రెండర్‌పీపుల్ ప్రాజెక్ట్‌లోని వ్యక్తులు.
మూలం: opennet.ru