


Resolusi ultra tinggi dialu-alukan oleh ramai penyelidik sebagai standard untuk merakam dan memaparkan imej dan video berkualiti tinggi Berbanding dengan resolusi yang lebih rendah (format 1K HD), pemandangan yang ditangkap pada resolusi tinggi biasanya Perinciannya sangat jelas, dan maklumat piksel dikuatkan dengan tompok kecil. Walau bagaimanapun, masih terdapat banyak cabaran dalam menggunakan teknologi ini untuk pemprosesan imej dan penglihatan komputer.
Dalam artikel ini, penyelidik dari Alibaba menumpukan pada tugas sintesis paparan baharu dan mencadangkan rangka kerja yang dipanggil 4K-NeRF kaedah pemaparan volum berasaskan NeRF boleh dilaksanakan dalam sintesis paparan Kesetiaan Tinggi pada resolusi ultra tinggi 4K.
Alamat kertas: https://arxiv.org/abs/2212.04701
Laman utama projek: https://github.com/frozoul/4K-NeRF
Tanpa berlengah lagi, mari kita lihat kesannya dahulu ( di bawah Video semuanya telah diturunkan sampel Untuk video 4K asal, sila rujuk projek asal).
Kaedah
Seterusnya mari kita lihat bagaimana penyelidikan itu dijalankan.
Saluran paip 4K-NeRF (seperti ditunjukkan di bawah): Menggunakan teknologi pensampelan sinar berasaskan tampalan, latih bersama-sama VC-Encoder (View-Consistent) (berdasarkan DEVO) pada resolusi yang lebih rendah Tiga -maklumat geometri dimensi dikodkan dalam ruang, dan kemudian melalui Penyahkod VC untuk mencapai pemaparan frekuensi tinggi, halus dan berkualiti tinggi serta ketekalan paparan yang dipertingkatkan.
Kajian ini membuat instantiate pengekod berdasarkan formula yang ditakrifkan dalam DVGO [32], dan perwakilan berasaskan grid voxel yang dipelajari adalah geometri yang dikodkan secara geografi secara eksplisit :
Untuk setiap titik pensampelan, interpolasi trilinear anggaran ketumpatan dilengkapi dengan fungsi pengaktifan softplus untuk menjana nilai ketumpatan Volume:
Warna dianggarkan menggunakan MLP kecil:
Dengan cara ini, nilai ciri setiap sinar (atau piksel) boleh diperolehi dengan mengumpul ciri-ciri titik pensampelan di sepanjang garis set r:
Untuk memanfaatkan sifat geometri yang tertanam dalam Pengekod VC dengan lebih baik, kajian ini juga menjana peta kedalaman dengan menganggarkan kedalaman setiap sinar r di sepanjang paksi sinar sampel. Peta kedalaman anggaran menyediakan panduan yang kukuh untuk struktur tiga dimensi pemandangan yang dijana oleh Pengekod di atas:
Rangkaian yang diluluskan selepas itu ialah dengan menindih beberapa jilid Blok binaan (tidak menggunakan normalisasi bukan parametrik atau operasi pensampelan bawah) dan operasi pensampelan naik berjalin. Khususnya, daripada hanya menggabungkan ciri F dan peta kedalaman M, kajian ini menggabungkan isyarat kedalaman dari peta kedalaman dan menyuntiknya ke dalam setiap blok melalui transformasi yang dipelajari untuk memodulasi pengaktifan blok.
Berbeza daripada mekanisme aras piksel dalam kaedah NeRF tradisional, kaedah kajian ini bertujuan untuk menangkap maklumat spatial antara sinar (piksel). Oleh itu, strategi pensampelan sinar rawak dalam NeRF tidak sesuai di sini. Oleh itu, kajian ini mencadangkan strategi latihan pensampelan sinar berasaskan tampalan untuk memudahkan menangkap pergantungan spatial antara ciri sinar. Semasa latihan, imej paparan latihan mula-mula dibahagikan kepada tompok p bersaiz N_p×N_p untuk memastikan kebarangkalian pensampelan pada piksel adalah seragam. Apabila dimensi ruang imej tidak boleh dibahagikan dengan tepat dengan saiz tampalan, tampalan perlu dipotong sehingga ke tepi untuk mendapatkan satu set tampalan latihan. Kemudian satu (atau lebih) patch dipilih secara rawak daripada set, dan sinaran piksel dalam patch membentuk kumpulan mini untuk setiap lelaran.
Untuk menyelesaikan masalah kesan visual yang kabur atau terlalu licin pada butiran halus, penyelidikan ini menambah kehilangan lawan dan kehilangan persepsi untuk mengatur sintesis butiran halus. Kehilangan persepsi menganggarkan persamaan antara tampung yang diramalkan
dan kebenaran asas p dalam ruang ciri melalui rangkaian VGG 19 lapisan yang telah dilatih:
Kajian menggunakan kerugian dan bukannya MSE untuk menyelia pembinaan semula butiran frekuensi tinggi
Selain itu, kajian itu juga menambah kerugian MSE tambahan, dan fungsi jumlah kerugian akhir mempunyai bentuk berikut:
Hasil eksperimen
Analisis kualitatif
Percubaan membandingkan 4K -NeRF dengan model lain, dapat dilihat bahawa kaedah berdasarkan NeRF biasa mempunyai tahap kehilangan butiran dan kekaburan yang berbeza-beza. Sebaliknya, 4K-NeRF memberikan pemaparan fotorealistik berkualiti tinggi bagi butiran kompleks dan frekuensi tinggi ini, walaupun pada adegan dengan medan pandangan latihan yang terhad.
Analisis kuantitatif
Kajian ini dibandingkan dengan beberapa kaedah semasa berdasarkan data 4k, termasuk Plenoxels, DVGO, JaxNeRF, MipNeRF-360 dan NeRF-SR. Percubaan bukan sahaja menggunakan penunjuk penilaian pemulihan imej sebagai perbandingan, tetapi juga menyediakan masa inferens dan memori cache untuk rujukan penilaian komprehensif. Keputusan adalah seperti berikut:
Walaupun keputusannya tidak jauh berbeza daripada keputusan beberapa kaedah dalam beberapa penunjuk, terima kasih kepada berasaskan voxel mereka kaedah, alasan Prestasi menakjubkan dicapai dari segi kecekapan dan kos ingatan, membolehkan imej 4K dipaparkan dalam 300 ms.
Ringkasan dan pandangan masa depan
Kajian ini meneroka keupayaan NeRF dalam memodelkan butiran halus, mencadangkan rangka kerja baru untuk meningkatkan keupayaannya memulihkan pandangan dalam adegan pada resolusi yang sangat tinggi Ekspresi perincian halus yang konsisten . Selain itu, penyelidikan ini juga memperkenalkan sepasang modul penyahkod pengekod yang mengekalkan ketekalan geometri, memodelkan sifat geometri secara berkesan dalam ruang yang lebih rendah, dan menggunakan korelasi setempat antara ciri sedar geometri untuk mencapai pandangan dalam ruang berskala penuh Konsistensi dan tampalan yang dipertingkatkan. rangka kerja latihan persampelan berasaskan juga membenarkan kaedah untuk menyepadukan penyeliaan daripada regularisasi berorientasikan perceptron. Penyelidikan ini berharap dapat menggabungkan kesan rangka kerja ke dalam pemodelan adegan dinamik, serta tugas pemaparan saraf sebagai hala tuju masa hadapan.
Atas ialah kandungan terperinci Tuhan memulihkan objek kompleks dan butiran frekuensi tinggi, sintesis paparan kesetiaan tinggi 4K-NeRF ada di sini. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

ai合并图层的快捷键是“Ctrl+Shift+E”,它的作用是把目前所有处在显示状态的图层合并,在隐藏状态的图层则不作变动。也可以选中要合并的图层,在菜单栏中依次点击“窗口”-“路径查找器”,点击“合并”按钮。

ai橡皮擦擦不掉东西是因为AI是矢量图软件,用橡皮擦不能擦位图的,其解决办法就是用蒙板工具以及钢笔勾好路径再建立蒙板即可实现擦掉东西。

虽然谷歌早在2020年,就在自家的数据中心上部署了当时最强的AI芯片——TPU v4。但直到今年的4月4日,谷歌才首次公布了这台AI超算的技术细节。论文地址:https://arxiv.org/abs/2304.01433相比于TPU v3,TPU v4的性能要高出2.1倍,而在整合4096个芯片之后,超算的性能更是提升了10倍。另外,谷歌还声称,自家芯片要比英伟达A100更快、更节能。与A100对打,速度快1.7倍论文中,谷歌表示,对于规模相当的系统,TPU v4可以提供比英伟达A100强1.

ai可以转成psd格式。转换方法:1、打开Adobe Illustrator软件,依次点击顶部菜单栏的“文件”-“打开”,选择所需的ai文件;2、点击右侧功能面板中的“图层”,点击三杠图标,在弹出的选项中选择“释放到图层(顺序)”;3、依次点击顶部菜单栏的“文件”-“导出”-“导出为”;4、在弹出的“导出”对话框中,将“保存类型”设置为“PSD格式”,点击“导出”即可;

ai顶部属性栏不见了的解决办法:1、开启Ai新建画布,进入绘图页面;2、在Ai顶部菜单栏中点击“窗口”;3、在系统弹出的窗口菜单页面中点击“控制”,然后开启“控制”窗口即可显示出属性栏。

Yann LeCun 这个观点的确有些大胆。 「从现在起 5 年内,没有哪个头脑正常的人会使用自回归模型。」最近,图灵奖得主 Yann LeCun 给一场辩论做了个特别的开场。而他口中的自回归,正是当前爆红的 GPT 家族模型所依赖的学习范式。当然,被 Yann LeCun 指出问题的不只是自回归模型。在他看来,当前整个的机器学习领域都面临巨大挑战。这场辩论的主题为「Do large language models need sensory grounding for meaning and u

ai移动不了东西的解决办法:1、打开ai软件,打开空白文档;2、选择矩形工具,在文档中绘制矩形;3、点击选择工具,移动文档中的矩形;4、点击图层按钮,弹出图层面板对话框,解锁图层;5、点击选择工具,移动矩形即可。

自从ChatGPT掀起浪潮,不少人都在担心AI快要抢人类饭碗了。然鹅,现实可能更残酷QAQ......据就业服务平台Resume Builder调查统计,在1000多家受访美国企业中,用ChatGPT取代部分员工的,比例已达到惊人的48%。在这些企业中,有49%已经启用ChatGPT,还有30%正在赶来的路上。就连央视财经也为此专门发过一个报道:相关话题还曾一度冲上了知乎热榜,众网友表示,不得不承认,现在ChatGPT等AIGC工具已势不可挡——浪潮既来,不进则退。有程序员还指出:用过Copil


Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

PhpStorm versi Mac
Alat pembangunan bersepadu PHP profesional terkini (2018.2.1).

EditPlus versi Cina retak
Saiz kecil, penyerlahan sintaks, tidak menyokong fungsi gesaan kod

MantisBT
Mantis ialah alat pengesan kecacatan berasaskan web yang mudah digunakan yang direka untuk membantu dalam pengesanan kecacatan produk. Ia memerlukan PHP, MySQL dan pelayan web. Lihat perkhidmatan demo dan pengehosan kami.

Penyesuai Pelayan SAP NetWeaver untuk Eclipse
Integrasikan Eclipse dengan pelayan aplikasi SAP NetWeaver.