जनरेटिव एआई मॉडल कुछ समय से एआई उद्योग में चर्चा का विषय रहे हैं। 2डी जनरेटिव मॉडल की हाल की सफलता ने आज हम जिस तरह से विज़ुअल कंटेंट बनाते हैं उसका मार्ग प्रशस्त किया है। हालांकि एआई समुदाय ने 2डी जनरेटिव मॉडल के साथ उल्लेखनीय सफलता प्राप्त की है, 3डी सामग्री का उत्पादन गहरे जनरेटिव एआई फ्रेमवर्क के लिए एक बड़ी चुनौती बनी हुई है। यह विशेष रूप से सच है क्योंकि 3डी जेनरेटेड सामग्री की मांग एक नए उच्चतम स्तर पर पहुंच गई है, जो विभिन्न दृश्य खेलों, अनुप्रयोगों, वर्चुअल रियलिटी और यहां तक कि सिनेमा द्वारा चलाई जा रही है। यह ध्यान देने योग्य है कि जबकि 3डी जनरेटिव एआई फ्रेमवर्क हैं जो कुछ श्रेणियों और कार्यों के लिए स्वीकार्य परिणाम प्रदान करते हैं, वे कुशलतापूर्वक 3डी वस्तुओं का उत्पादन करने में असमर्थ हैं। इस कमी का कारण व्यापक 3डी डेटा की कमी है जो फ्रेमवर्क को प्रशिक्षित करने के लिए आवश्यक है। हाल ही में, डेवलपर्स ने पूर्व-प्रशिक्षित पाठ-टू-इमेज एआई जनरेटिव मॉडल की मार्गदर्शन का लाभ उठाने का प्रस्ताव दिया है, जो एक ऐसा दृष्टिकोण है जो आशाजनक परिणाम दिखा रहा है।

इस लेख में, हम ड्रीमक्राफ्ट3डी फ्रेमवर्क पर चर्चा करेंगे, जो एक हायरार्किकल मॉडल है जो सुसंगत और उच्च-गुणवत्ता वाले 3डी वस्तुओं का उत्पादन करता है। ड्रीमक्राफ्ट3डी फ्रेमवर्क एक 2डी रेफरेंस इमेज का उपयोग ज्यामितीय मूर्तिकला चरण को मार्गदर्शन करने के लिए करता है, जो बनावट को सुधारने पर केंद्रित है और वर्तमान फ्रेमवर्क या तरीकों द्वारा सामना की जाने वाली सुसंगतता समस्याओं को दूर करने पर ध्यान केंद्रित करता है। इसके अलावा, ड्रीमक्राफ्ट3डी फ्रेमवर्क एक दृश्य-निर्भर डिफ्यूजन मॉडल का उपयोग करता है जो स्कोर डिस्टिलेशन नमूने के लिए सहायता प्रदान करता है, जो ज्यामितीय मूर्तिकला में योगदान करता है जो सुसंगत रेंडरिंग में परिणत होता है।

हम ड्रीमक्राफ्ट3डी फ्रेमवर्क के लिए 3डी सामग्री जेनरेशन की गहराई से जांच करेंगे। इसके अलावा, हम पूर्व-प्रशिक्षित टेक्स्ट-टू-इमेज (टी2आई) मॉडल का लाभ उठाने के लिए 3डी सामग्री जेनरेशन की अवधारणा का अन्वेषण करेंगे और जांच करेंगे कि ड्रीमक्राफ्ट3डी फ्रेमवर्क इस दृष्टिकोण का उपयोग करके यथार्थवादी 3डी सामग्री का उत्पादन करने का लक्ष्य कैसे रखता है।

ड्रीमक्राफ्ट3डी: एक परिचय

ड्रीमक्राफ्ट3डी एक हायरार्किकल पाइपलाइन है जो 3डी सामग्री का उत्पादन करती है। ड्रीमक्राफ्ट3डी फ्रेमवर्क एक राज्य-ऑफ-द-आर्ट टी2आई या टेक्स्ट-टू-इमेज जनरेटिव फ्रेमवर्क का लाभ उठाने का प्रयास करता है जो एक पाठ प्रॉम्प्ट का उपयोग करके उच्च-गुणवत्ता वाली 2डी इमेज बनाता है। यह दृष्टिकोण ड्रीमक्राफ्ट3डी फ्रेमवर्क को राज्य-ऑफ-द-आर्ट 2डी डिफ्यूजन मॉडल की क्षमताओं को अधिकतम करने की अनुमति देता है ताकि पाठ प्रॉम्प्ट में वर्णित दृश्य सेमांटिक्स का प्रतिनिधित्व किया जा सके, साथ ही साथ इन 2डी एआई जनरेटिव फ्रेमवर्क द्वारा प्रदान की जाने वाली रचनात्मक स्वतंत्रता को बनाए रखा जा सके।

ज्यामिति के लिए, ड्रीमक्राफ्ट3डी फ्रेमवर्क वैश्विक 3डी संरचना और बहु-दृश्य सुसंगतता पर भारी रूप से ध्यान केंद्रित करता है, जिससे छवियों में विस्तृत बनावट पर समझौता करने की अनुमति मिलती है। एक बार जब फ्रेमवर्क ज्यामिति संबंधी समस्याओं से छुटकारा पा लेता है, तो यह सुसंगत और यथार्थवादी बनावट को अनुकूलित करने पर ध्यान केंद्रित करता है जो 3डी जागरूक डिफ्यूजन को लागू करके किया जाता है।

यह कहा जा सकता है कि ड्रीमक्राफ्ट3डी मूल रूप से एक एआई जनरेटिव फ्रेमवर्क है जो 3डी सामग्री जेनरेशन के लिए एक हायरार्किकल पाइपलाइन का लाभ उठाता है जो मूल रूप से 2डी इमेज को उनके 3डी समकक्ष में परिवर्तित करता है जबकि संपूर्ण 3डी सुसंगतता को बनाए रखता है।

पूर्व-प्रशिक्षित टी2आई या टेक्स्ट-टू-इमेज मॉडल का लाभ उठाना

3डी सामग्री जेनरेशन के लिए पूर्व-प्रशिक्षित टी2आई या टेक्स्ट-टू-इमेज मॉडल का लाभ उठाने का विचार पहली बार 2022 में ड्रीमफ्यूजन फ्रेमवर्क द्वारा पेश किया गया था। ड्रीमफ्यूजन फ्रेमवर्क ने 3डी फ्रेमवर्क को अनुकूलित करने के लिए एसडीएस या स्कोर डिस्टिलेशन सैंपल लॉस को लागू करने का प्रयास किया था ताकि यादृच्छिक दृश्यों पर रेंडरिंग पाठ-शर्त वाली इमेज वितरण के साथ संरेखित हो सके, जैसा कि एक कुशल पाठ-टू-इमेज डिफ्यूजन फ्रेमवर्क द्वारा व्याख्या की जाती है। हालांकि ड्रीमफ्यूजन दृष्टिकोण ने अच्छे परिणाम दिए, लेकिन दो प्रमुख समस्याएं थीं: धुंधलापन और अधिक संतृप्ति। इन समस्याओं को हल करने के लिए, हाल के कार्यों में विभिन्न चरण-वार अनुकूलन रणनीतियों को लागू किया जाता है जो 2डी डिस्टिलेशन लॉस में सुधार करने का प्रयास करते हैं, जो अंततः बेहतर गुणवत्ता और यथार्थवादी 3डी जेनरेटेड इमेज की ओर ले जाता है।

हालांकि, हाल के कार्यों की हाल की सफलता के बावजूद, वे 2डी जनरेटिव फ्रेमवर्क की क्षमता को मेल नहीं कर पा रहे हैं जो जटिल सामग्री का संश्लेषण कर सकते हैं। इसके अलावा, ये फ्रेमवर्क अक्सर “जेनस समस्या” से ग्रस्त होते हैं, एक ऐसी स्थिति जहां 3डी रेंडरिंग जो व्यक्तिगत रूप से विश्वसनीय प्रतीत होती है, वे शैली और सेमांटिक असंगतियों को दिखाते हैं जब उन्हें एक साथ देखा जाता है।

पूर्व कार्यों द्वारा सामना की जाने वाली समस्याओं को हल करने के लिए, ड्रीमक्राफ्ट3डी फ्रेमवर्क एक होलिस्टिक हायरार्किकल 3डी सामग्री जेनरेशन पाइपलाइन की संभावना का अन्वेषण करता है और मैनुअल कलात्मक प्रक्रिया से प्रेरणा लेता है जिसमें एक अवधारणा को पहले 2डी ड्राफ्ट में लिखा जाता है, उसके बाद कलाकार ज्यामितीय मूर्तिकला को सкуль्प्ट करता है, ज्यामितीय विवरण को परिष्कृत करता है, और उच्च-गुणवत्ता वाली बनावट को पेंट करता है। इसी तरह, ड्रीमक्राफ्ट3डी फ्रेमवर्क 3डी सामग्री या इमेज जेनरेशन कार्यों को विभिन्न प्रबंधनीय चरणों में तोड़ देता है। यह पाठ प्रॉम्प्ट का उपयोग करके उच्च-गुणवत्ता वाली 2डी इमेज का उत्पादन करके शुरू होता है और फिर बनावट बूस्टिंग और ज्यामितीय मूर्तिकला का उपयोग करके इमेज को 3डी चरणों में उठाता है। प्रक्रिया को चरणों में विभाजित करने से ड्रीमक्राफ्ट2डी फ्रेमवर्क को हायरार्किकल जेनरेशन की क्षमता को अधिकतम करने में मदद मिलती है जो अंततः श्रेष्ठ-गुणवत्ता वाली 3डी इमेज जेनरेशन का परिणाम है।

पहले चरण में, ड्रीमक्राफ्ट3डी फ्रेमवर्क ज्यामितीय मूर्तिकला का उपयोग करके 2डी इमेज के संदर्भ में 3डी ज्यामितीय आकार का उत्पादन करने का प्रयास करता है जो देखने के विभिन्न कोणों से भी विश्वसनीय हो। इस चरण में एसडीएस लॉस का उपयोग फोटोमेट्रिक नुकसान को प्रोत्साहित करने के लिए किया जाता है और यह सुनिश्चित किया जाता है कि प्रत्येक व्यक्तिगत नमूने की दृश्य प्रतिनिधित्व एक पूर्व-प्रशिक्षित डिफ्यूजन मॉडल द्वारा पहचाना जा सकता है। इसके अलावा, ज्यामितीय सुसंगतता को प्रोत्साहित करने के लिए, फ्रेमवर्क मास्क लॉस को लागू करता है जो सिल्हूट को रेंडर करता है।

जैसा कि ऊपर दी गई छवियों में देखा जा सकता है, ड्रीमक्राफ्ट3डी फ्रेमवर्क यथार्थवादी बनावट और जटिल ज्यामितीय संरचनाओं के साथ रचनात्मक 3डी इमेज और सामग्री का उत्पादन करने में सक्षम है। पहली छवि में, सोन गोकू का शरीर एक दौड़ते हुए जंगली सूअर के सिर के साथ मिलाया गया है, जबकि दूसरी तस्वीर में एक बिगल को एक जासूस के पोशाक में दिखाया गया है। निम्नलिखित कुछ अतिरिक्त उदाहरण हैं।

ड्रीमक्राफ्ट3डी: कार्य और वास्तुकला

ड्रीमक्राफ्ट3डी फ्रेमवर्क एक राज्य-ऑफ-द-आर्ट टी2आई या टेक्स्ट-टू-इमेज जनरेटिव फ्रेमवर्क का लाभ उठाने का प्रयास करता है जो एक पाठ प्रॉम्प्ट का उपयोग करके उच्च-गुणवत्ता वाली 2डी इमेज बनाता है। यह दृष्टिकोण ड्रीमक्राफ्ट3डी फ्रेमवर्क को राज्य-ऑफ-द-आर्ट 2डी डिफ्यूजन मॉडल की क्षमताओं को अधिकतम करने की अनुमति देता है ताकि पाठ प्रॉम्प्ट में वर्णित दृश्य सेमांटिक्स का प्रतिनिधित्व किया जा सके, साथ ही साथ इन 2डी एआई जनरेटिव फ्रेमवर्क द्वारा प्रदान की जाने वाली रचनात्मक स्वतंत्रता को बनाए रखा जा सके।

आइए टेक्स्चर बूस्टिंग और ज्यामितीय मूर्तिकला चरणों के लिए कुछ प्रमुख डिज़ाइन विचारों पर विस्तार से चर्चा करें।

ज्यामितीय मूर्तिकला

ज्यामितीय मूर्तिकला पहला चरण है जहां ड्रीमक्राफ्ट3डी फ्रेमवर्क एक 3डी मॉडल बनाने का प्रयास करता है जो संदर्भ छवि की उपस्थिति के साथ संरेखित होता है, साथ ही साथ विभिन्न दृश्य कोणों से भी विश्वसनीयता बनाए रखता है। ज्यामितीय सुसंगतता सुनिश्चित करने के लिए, फ्रेमवर्क एसडीएस लॉस का उपयोग करता है जो प्रत्येक व्यक्तिगत नमूने की दृश्य प्रतिनिधित्व के लिए प्रोत्साहित करता है जो एक पूर्व-प्रशिक्षित डिफ्यूजन मॉडल द्वारा पहचाना जा सकता है। इसके अलावा, संदर्भ छवि से मार्गदर्शन का उपयोग करने के लिए, फ्रेमवर्क फोटोमेट्रिक नुकसान को दंडित करता है जो संदर्भ और रेंडर की गई छवियों के बीच होता है, और यह नुकसान केवल दृश्य के अग्रभाग क्षेत्र में गणना की जाती है। इसके अलावा, दृश्य स्पार्सनेस को प्रोत्साहित करने के लिए, फ्रेमवर्क मास्क लॉस को लागू करता है जो सिल्हूट को रेंडर करता है।

3डी जागरूक डिफ्यूजन प्रायर

3डी अनुकूलन विधियों का उपयोग केवल प्रति-दृश्य पर्यवेक्षण के साथ अवर-निर्धारित है, जो मुख्य कारण है कि ड्रीमक्राफ्ट3डी फ्रेमवर्क ज़ीरो-1-टू-3, एक दृश्य-शर्त वाले डिफ्यूजन मॉडल का उपयोग करता है, जो एक व्यापक पैमाने पर 3डी डेटा संपत्तियों पर प्रशिक्षित होने के कारण दृश्य जागरूकता में सुधार प्रदान करता है। इसके अलावा, ज़ीरो-1-टू-3 फ्रेमवर्क एक फाइन-ट्यून्ड डिफ्यूजन मॉडल है जो दृश्य के संदर्भ में कैमरा पोज़ दिए जाने पर छवि को हॉलुसिनेट करता है।

प्रगतिशील दृश्य प्रशिक्षण

360 डिग्री में सीधे मुक्त दृश्यों को प्राप्त करने से ज्यामितीय कलाकृतियों या विसंगतियों का कारण बन सकता है, जैसे कि कुर्सी पर एक अतिरिक्त पैर, जो एकल संदर्भ छवि की अस्पष्टता के कारण हो सकता है। इस बाधा को दूर करने के लिए, ड्रीमक्राफ्ट3डी फ्रेमवर्क प्रशिक्षण दृश्यों को प्रगतिशील रूप से बढ़ाता है, जिसके बाद स्थापित ज्यामिति को 360 डिग्री में परिणाम प्राप्त करने के लिए धीरे-धीरे प्रसारित किया जाता है।

डिफ्यूजन समय चरण अनुकूलन

ड्रीमक्राफ्ट3डी फ्रेमवर्क एक डिफ्यूजन समय चरण अनुकूलन रणनीति का उपयोग करता है जो 3डी अनुकूलन की शुरुआत में वैश्विक संरचना प्रदान करने के लिए प्राथमिकता देता है। प्रशिक्षण प्रक्रिया की शुरुआत में, फ्रेमवर्क एक बड़े डिफ्यूजन समय चरण का नमूना लेने को प्राथमिकता देता है। जैसे ही फ्रेमवर्क प्रशिक्षण प्रक्रिया के साथ आगे बढ़ता है, यह सैंपलिंग रेंज को सैकड़ों पुनरावृत्तियों के दौरान रेखीय रूप से कम करता है। इस अनुकूलन रणनीति के कारण, फ्रेमवर्क प्रारंभिक अनुकूलन चरणों के दौरान एक विश्वसनीय वैश्विक ज्यामिति स्थापित करने में सक्षम होता है और फिर संरचनात्मक विवरण को परिष्कृत करता है।

विस्तृत संरचनात्मक सुधार

ड्रीमक्राफ्ट3डी फ्रेमवर्क एक अंतर्निहित सतह प्रतिनिधित्व को अनुकूलित करने के लिए शुरू होता है जो एक मोटी संरचना स्थापित करता है। फिर, फ्रेमवर्क इस परिणाम का उपयोग करता है और इसे एक डिफॉर्मेबल टेट्राहेड्रल ग्रिड या डीएमटेट के साथ जोड़ता है जो एक बनावट वाली 3डी जाली प्रतिनिधित्व को आरंभ करता है, जो बनावट और ज्यामिति के शिक्षण को अलग करता है। जब फ्रेमवर्क संरचनात्मक सुधार पूरा करता है, तो मॉडल संदर्भ छवि से उच्च-आवृत्ति विवरण को संरक्षित करने में सक्षम होता है जो केवल बनावट को परिष्कृत करके हासिल किया जा सकता है।

बूटस्ट्रैप्ड स्कोर नमूने का उपयोग करके बनावट बूस्टिंग

हालांकि ज्यामितीय मूर्तिकला चरण विस्तृत और सुसंगत ज्यामिति को सीखने पर जोर देता है, यह बनावट को कुछ हद तक धुंधला कर देता है जो 2डी प्रायर मॉडल पर इसकी निर्भरता और 3डी डिफ्यूजन मॉडल द्वारा प्रदान की जाने वाली सीमित तीक्ष्णता के कारण हो सकता है। इसके अलावा, सामान्य बनावट समस्याएं जैसे कि अधिक संतृप्ति और अधिक चिकनाई एक बड़े क्लासिफायर-मुक्त मार्गदर्शन के परिणामस्वरूप उत्पन्न होती हैं।

फ्रेमवर्क एक वीएसडी या वेरिएशनल स्कोर डिस्टिलेशन लॉस का उपयोग बनावट की वास्तविकता को बढ़ाने के लिए करता है। इस चरण में, फ्रेमवर्क एक स्टेबल डिफ्यूजन मॉडल का चयन करता है जो उच्च-रिज़ॉल्यूशन ग्रेडिएंट प्रदान करता है। इसके अलावा, फ्रेमवर्क टेट्राहेड्रल ग्रिड को स्थिर रखता है जो वास्तविक रेंडरिंग को बढ़ावा देने और जाली की संरचना को अनुकूलित करने में मदद करता है। सीखने के चरण में, ड्रीमक्राफ्ट3डी फ्रेमवर्क ज़ीरो-1-टू-3 फ्रेमवर्क का उपयोग नहीं करता है क्योंकि यह बनावट की गुणवत्ता पर नकारात्मक प्रभाव डालता है, और इन असंगत बनावटों का परिणाम अजीब 3डी आउटपुट हो सकता है।

प्रयोग और परिणाम

ड्रीमक्राफ्ट3डी फ्रेमवर्क के प्रदर्शन का मूल्यांकन करने के लिए, इसे वर्तमान राज्य-ऑफ-द-आर्ट फ्रेमवर्क के साथ तुलना की जाती है, और गुणात्मक और मात्रात्मक परिणामों का विश्लेषण किया जाता है।

बेसलाइन मॉडल के साथ तुलना

प्रदर्शन का मूल्यांकन करने के लिए, ड्रीमक्राफ्ट3डी फ्रेमवर्क की तुलना 5 राज्य-ऑफ-द-आर्ट फ्रेमवर्क, ड्रीमफ्यूजन, मैजिक3डी, प्रोलिफिकड्रीमर, मैजिक123, और मेक-इट-3डी के साथ की जाती है। परीक्षण बेंचमार्क में 300 इनपुट इमेज शामिल हैं जो वास्तविक दुनिया की इमेज और स्टेबल डिफ्यूजन फ्रेमवर्क द्वारा उत्पन्न इमेज का मिश्रण हैं। प्रत्येक इमेज में एक पाठ प्रॉम्प्ट, एक अनुमानित गहराई मानचित्र, और अग्रभाग के लिए एक अल्फा मास्क होता है। फ्रेमवर्क वास्तविक इमेज के लिए पाठ प्रॉम्प्ट को एक इमेज कैप्शन फ्रेमवर्क से प्राप्त करता है।

गुणात्मक विश्लेषण

निम्नलिखित छवि ड्रीमक्राफ्ट3डी फ्रेमवर्क की तुलना बेसलाइन मॉडल से करती है, और जैसा कि देखा जा सकता है, टेक्स्ट-टू-3डी दृष्टिकोण पर निर्भर फ्रेमवर्क अक्सर बहु-दृश्य सुसंगतता समस्याओं का सामना करते हैं।

एक ओर, प्रोलिफिकड्रीमर फ्रेमवर्क वास्तविक बनावट प्रदान करता है, लेकिन यह एक विश्वसनीय 3डी वस्तु का उत्पादन करने में विफल रहता है। इमेज-टू-3डी विधियों पर निर्भर फ्रेमवर्क जैसे मेक-इट-3डी उच्च-गुणवत्ता वाले फ्रंटल दृश्य बनाते हैं, लेकिन वे इमेज के लिए आदर्श ज्यामिति को बनाए रखने में असमर्थ होते हैं। मैजिक123 फ्रेमवर्क द्वारा उत्पन्न इमेज बेहतर ज्यामितीय नियमन प्रदान करती हैं, लेकिन वे अत्यधिक संतृप्त और चिकनी ज्यामितीय बनावट और विवरण उत्पन्न करती हैं। ड्रीमक्राफ्ट3डी फ्रेमवर्क की तुलना में, जो बूटस्ट्रैप्ड स्कोर डिस्टिलेशन विधि का उपयोग करता है, न केवल सेमांटिक सुसंगतता को बनाए रखता है, बल्कि यह कल्पना की विविधता में भी सुधार करता है।

मात्रात्मक विश्लेषण

3डी इमेज का उत्पादन करने के लिए जो न केवल इनपुट रेफरेंस इमेज के समान दिखती हैं, बल्कि विभिन्न दृश्यों से सुसंगत रूप से सेमांटिक्स को प्रस्तुत करती हैं, ड्रीमक्राफ्ट3डी फ्रेमवर्क द्वारा उपयोग की जाने वाली तकनीकों की तुलना बेसलाइन मॉडल से की जाती है, और मूल्यांकन प्रक्रिया चार मेट्रिक्स का उपयोग करती है: पीएसएनआर और एलपीआईपीएस जो संदर्भ दृश्य से विश्वसनीयता को मापते हैं, संदर्भ दृश्य से सुसंगतता का मूल्यांकन करने के लिए संदर्भ दृश्य से सुसंगतता का मूल्यांकन करने के लिए संदर्भ दृश्य, और सेमांटिक सुसंगतता का अनुमान लगाने के लिए सीएलआईपी। परिणाम निम्नलिखित छवि में प्रदर्शित हैं।

निष्कर्ष

इस लेख में, हमने ड्रीमक्राफ्ट3डी पर चर्चा की, जो 3डी सामग्री जेनरेशन के लिए एक हायरार्किकल पाइपलाइन है। ड्रीमक्राफ्ट3डी फ्रेमवर्क एक राज्य-ऑफ-द-आर्ट टी2आई या टेक्स्ट-टू-इमेज जनरेटिव फ्रेमवर्क का लाभ उठाने का प्रयास करता है जो एक पाठ प्रॉम्प्ट का उपयोग करके उच्च-गुणवत्ता वाली 2डी इमेज बनाता है। यह दृष्टिकोण ड्रीमक्राफ्ट3डी फ्रेमवर्क को राज्य-ऑफ-द-आर्ट 2डी डिफ्यूजन मॉडल की क्षमताओं को अधिकतम करने की अनुमति देता है ताकि पाठ प्रॉम्प्ट में वर्णित दृश्य सेमांटिक्स का प्रतिनिधित्व किया जा सके, साथ ही साथ इन 2डी एआई जनरेटिव फ्रेमवर्क द्वारा प्रदान की जाने वाली रचनात्मक स्वतंत्रता को बनाए रखा जा सके। उत्पन्न छवि को फिर ज्यामितीय बनावट बूस्टिंग और ज्यामितीय मूर्तिकला चरणों के माध्यम से 3डी में परिवर्तित किया जाता है, और प्रत्येक चरण में विशेषज्ञ तकनीकों का उपयोग किया जाता है, जो समस्या को विभाजित करने में मदद करता है। इस दृष्टिकोण के परिणामस्वरूप, ड्रीमक्राफ्ट3डी फ्रेमवर्क उच्च-विश्वसनीयता और सुसंगत 3डी संपत्तियों का उत्पादन कर सकता है जो विभिन्न कोणों से देखी जा सकती हैं।