Μοντέλα και πλατφόρμες AI
Τα Εργαστήρια Intel Προωθούν την Ανάπτυξη της Υπολογιστικής Όρασης με Δύο Νέα Μοντέλα AI

Βασικά σημείαΗ Intel Labs κυκλοφόρησε το MiDaS 3.1 βελτιώνοντας την ακρίβεια εκτίμησης σχετικού…
Δείτε περισσότερα
- Η Intel Labs κυκλοφόρησε το MiDaS 3.1 βελτιώνοντας την ακρίβεια εκτίμησης σχετικού βάθους κατά 30%.
- Το VI-Depth 1.0 συνδυάζει αδρανειακά δεδομένα με εκτίμηση βάθους για την επίλυση της ασάφειας μετρικής κλίμακας.
- Και τα δύο μοντέλα ανοιχτού κώδικα επιτρέπουν εφαρμογές όπως περιβάλλοντα VR και ανακατασκευή σκηνών εγκλήματος.
Τα ανοικτά μοντέλα AI VI-Depth 1.0 και MiDaS 3.1 βελτιώνουν την εκτίμηση βάθους για την υπολογιστική όραση.
Η εκτίμηση βάθους είναι μια απαιτητική εργασία υπολογιστικής όρασης που απαιτείται για τη δημιουργία ενός ευρέος φάσματος εφαρμογών σε ρομποτική, επαυξημένη πραγματικότητα (AR) και εικονική πραγματικότητα (VR). Οι υφιστάμενες λύσεις συχνά δυσκολεύονται να εκτιμούν σωστά τις αποστάσεις, το οποίο είναι μια κρίσιμη πτυχή για τη σχεδίαση κίνησης και την αποφυγή εμποδίων όταν πρόκειται για οπτική πλοήγηση. Οι ερευνητές στα Εργαστήρια Intel (INTC ) αντιμετωπίζουν αυτό το ζήτημα με την κυκλοφορία δύο μοντέλων AI για μονοφθάλμια εκτίμηση βάθους: ένα για οπτικοαδρανειακή εκτίμηση βάθους και ένα για ανθεκτική σχετική εκτίμηση βάθους (RDE).
Το τελευταίο μοντέλο RDE, MiDaS έκδοση 3.1, προβλέπει ανθεκτικό σχετικό βάθος χρησιμοποιώντας μόνο μια εικόνα ως είσοδο. Λόγω της εκπαίδευσής του σε ένα μεγάλο και ποικίλο σύνολο δεδομένων, μπορεί να εκτελεστεί αποτελεσματικά σε ένα ευρύ φάσμα εργασιών και περιβαλλόντων. Η τελευταία έκδοση του MiDaS βελτιώνει την ακρίβεια του μοντέλου για RDE περίπου 30% με το μεγαλύτερο σύνολο εκπαίδευσης και τις ανανεωμένες βασικές αρχιτεκτονικές κωδικοποιητή.
Το MiDaS έχει ενσωματωθεί σε πολλά έργα, πιο αξιοσημείωτα το Stable Diffusion 2.0, όπου ενεργοποιεί τη λειτουργία βάθους-εικόνας που εκτιμά το βάθος μιας εισαγώμενης εικόνας και στη συνέχεια δημιουργεί νέες εικόνες χρησιμοποιώντας τόσο το κείμενο και τις πληροφορίες βάθους. Για παράδειγμα, ο ψηφιακός δημιουργός Scottie Fox χρησιμοποίησε έναν συνδυασμό Stable Diffusion και MiDaS για τη δημιουργία ενός περιβάλλοντος εικονικής πραγματικότητας 360 μοιρών. Αυτή η τεχνολογία μπορεί να οδηγήσει σε νέες εικονικές εφαρμογές, συμπεριλαμβανομένης της ανασυγκρότησης του τόπου του εγκλήματος για δικαστικές υποθέσεις, θεραπευτικών περιβαλλόντων για την υγεία και εικονικών εμπειριών παιχνιδιών.
Ενώ η RDE έχει καλή γενίκευση και είναι χρήσιμη, η έλλειψη κλίμακας μειώνει τη χρησιμότητά της για καθήκοντα που απαιτούν μετρικό βάθος, όπως χαρτογράφηση, σχεδίαση, πλοήγηση, αναγνώριση αντικειμένων, ανασυγκρότηση 3D και επεξεργασία εικόνας. Οι ερευνητές στα Εργαστήρια Intel αντιμετωπίζουν αυτό το ζήτημα με την κυκλοφορία του VI-Depth, ενός άλλου μοντέλου AI που παρέχει ακριβή εκτίμηση βάθους.
Το VI-Depth είναι μια αλυσίδα επεξεργασίας για οπτικοαδρανειακή εκτίμηση βάθους που ενσωματώνει μονοφθάλμια εκτίμηση βάθους και οπτικοαδρανειακή οδομετρία (VIO) για να παράγει πυκνές εκτιμήσεις βάθους με μετρική κλίμακα. Αυτή η προσέγγιση παρέχει ακριβή εκτίμηση βάθους, η οποία μπορεί να βοηθήσει στην ανασυγκρότηση σκηνής, χαρτογράφηση και χειρισμό αντικειμένων.
Η ενσωμάτωση αδρανειακών δεδομένων μπορεί να βοηθήσει στην επίλυση της ασάφειας της κλίμακας. Οι περισσότερες κινητές συσκευές διαθέτουν ήδη μονάδες αδρανειακών μετρήσεων (IMU). Η καθολική ευθυγράμμιση καθορίζει την κατάλληλη συνολική κλίμακα, ενώ η πυκνή ευθυγράμμιση κλίμακας (SML) λειτουργεί τοπικά και προσαρμόζει τις περιοχές προς το σωστό μετρικό βάθος. Το δίκτυο SML αξιοποιεί το MiDaS ως βασική αρχιτεκτονική κωδικοποιητή. Στην αρθρωτή αλυσίδα επεξεργασίας, το VI-Depth συνδυάζει εκτίμηση βάθους βασισμένη σε δεδομένα, το μοντέλο πρόβλεψης σχετικού βάθους MiDaS και τις μετρήσεις της μονάδας IMU. Ο συνδυασμός αυτών των πηγών δεδομένων επιτρέπει στο VI-Depth να παράγει πιο αξιόπιστο πυκνό μετρικό βάθος για κάθε εικονοστοιχείο μιας εικόνας.
MiDaS 3.1 και VI-Depth 1.0 είναι διαθέσιμα με άδεια ανοικτού κώδικα MIT στο GitHub.
Για περισσότερες πληροφορίες, ανατρέξτε στο “Vision Transformers for Dense Prediction” και “Towards Robust Monocular Depth Estimation: Mixing Datasets for Zero-shot Cross-dataset Transfer.”












