سنگل ویو تھری ڈی ری کنسٹرکشن کیسے کام کرتا ہے؟

روایتی طور پر، convolutional عصبی نیٹ ورکس پر بنائے گئے سنگل ویو آبجیکٹ کی تعمیر نو کے ماڈلز نے تعمیر نو کے کاموں میں نمایاں کارکردگی دکھائی ہے۔ حالیہ برسوں میں، سنگل ویو 3D تعمیر نو AI کمیونٹی میں ایک مقبول تحقیقی موضوع کے طور پر ابھرا ہے۔ استعمال کیے گئے مخصوص طریقہ کار سے قطع نظر، تمام سنگل ویو 3D تعمیر نو کے ماڈلز اپنے فریم ورک کے اندر ایک انکوڈر-ڈیکوڈر نیٹ ورک کو شامل کرنے کے مشترکہ نقطہ نظر کا اشتراک کرتے ہیں۔ یہ نیٹ ورک آؤٹ پٹ اسپیس میں 3D ساخت کے بارے میں پیچیدہ استدلال کرتا ہے۔

اس مضمون میں، ہم دریافت کریں گے کہ سنگل ویو 3D تعمیر نو حقیقی وقت میں کیسے کام کرتی ہے اور تعمیر نو کے کاموں میں ان فریم ورک کو درپیش موجودہ چیلنجز۔ ہم سنگل ویو 3D تعمیر نو کے ماڈلز کے ذریعے استعمال کیے جانے والے مختلف کلیدی اجزاء اور طریقوں پر تبادلہ خیال کریں گے اور ایسی حکمت عملیوں کو تلاش کریں گے جو ان فریم ورک کی کارکردگی کو بڑھا سکتی ہیں۔ مزید برآں، ہم جدید ترین فریم ورک کے ذریعہ تیار کردہ نتائج کا تجزیہ کریں گے جو انکوڈر-ڈیکوڈر طریقوں کو استعمال کرتے ہیں۔ آئیے اندر کودیں۔

سنگل ویو تھری ڈی آبجیکٹ کی تعمیر نو

سنگل ویو 3D آبجیکٹ کی تعمیر نو میں کسی ایک نقطہ نظر سے، یا آسان الفاظ میں، ایک تصویر سے کسی چیز کا 3D ماڈل بنانا شامل ہے۔ مثال کے طور پر، کسی شے کی 3D ساخت کا اندازہ لگانا، جیسے کہ تصویر سے موٹرسائیکل، ایک پیچیدہ عمل ہے۔ یہ حصوں کی ساختی ترتیب، نچلی سطح کے تصویری اشارے، اور اعلیٰ سطحی معنوی معلومات کو یکجا کرتا ہے۔ یہ سپیکٹرم دو اہم پہلوؤں پر مشتمل ہے: تعمیر نو اور تسلیم. تعمیر نو کا عمل ان پٹ امیج کے 3D ڈھانچے کو دیکھتا ہے جیسے شیڈنگ، ساخت، اور بصری اثرات کا استعمال کرتے ہوئے۔ اس کے برعکس، شناخت کا عمل ان پٹ امیج کی درجہ بندی کرتا ہے اور ڈیٹا بیس سے ایک مناسب 3D ماڈل بازیافت کرتا ہے۔

موجودہ سنگل ویو 3D آبجیکٹ کی تعمیر نو کے ماڈلز فن تعمیر میں مختلف ہو سکتے ہیں، لیکن وہ اپنے فریم ورک میں ایک انکوڈر-ڈیکوڈر ڈھانچے کی شمولیت سے متحد ہیں۔ اس ڈھانچے میں، انکوڈر ان پٹ امیج کو اویکت نمائندگی کے لیے نقشہ بناتا ہے، جب کہ ڈیکوڈر آؤٹ پٹ اسپیس کے 3D ڈھانچے کے بارے میں پیچیدہ اندازے لگاتا ہے۔ اس کام کو کامیابی کے ساتھ انجام دینے کے لیے، نیٹ ورک کو اعلیٰ اور نچلے درجے کی دونوں معلومات کو مربوط کرنا چاہیے۔ مزید برآں، بہت سے جدید ترین انکوڈر-ڈیکوڈر طریقے سنگل ویو 3D تعمیر نو کے کاموں کے لیے شناخت پر انحصار کرتے ہیں، جو ان کی تعمیر نو کی صلاحیتوں کو محدود کرتے ہیں۔ مزید برآں، سنگل ویو 3D آبجیکٹ کی تعمیر نو میں جدید کنوولیشنل نیورل نیٹ ورکس کی کارکردگی کو 3D آبجیکٹ کی ساخت کا واضح طور پر اندازہ لگائے بغیر آگے بڑھایا جا سکتا ہے۔ تاہم، سنگل ویو آبجیکٹ کی تعمیر نو کے کاموں میں کنوولوشنل نیٹ ورکس میں شناخت کا غلبہ مختلف تجرباتی طریقہ کار سے متاثر ہوتا ہے، بشمول تشخیصی پروٹوکول اور ڈیٹاسیٹ کی ساخت۔ اس طرح کے عوامل فریم ورک کو شارٹ کٹ حل تلاش کرنے کے قابل بناتے ہیں، اس صورت میں، تصویر کی شناخت۔

روایتی طور پر، سنگل ویو 3D آبجیکٹ کی تعمیر نو کے فریم ورک تعمیر نو کے کاموں کو شیڈنگ اپروچ سے شکل کا استعمال کرتے ہوئے، ساخت اور ڈیفوکس کے ساتھ تعمیر نو کے کاموں کے لیے غیر ملکی خیالات کے طور پر کام کرتے ہیں۔ چونکہ یہ تکنیکیں ایک ہی گہرائی کے اشارے کا استعمال کرتی ہیں، اس لیے وہ سطح کے دکھائی دینے والے حصوں کے لیے استدلال فراہم کرنے کے قابل ہیں۔ اس کے علاوہ، بہت سے سنگل ویو 3D تعمیر نو کا فریم ورک سنگل مونوکولر امیج سے گہرائی کا اندازہ لگانے کے لیے ساختی علم کے ساتھ متعدد اشارے استعمال کریں، یہ ایک ایسا مجموعہ جو ان فریم ورک کو نظر آنے والی سطحوں کی گہرائی کا اندازہ لگانے کی اجازت دیتا ہے۔ مزید حالیہ گہرائی کے تخمینے کے فریم ورک ایک مونوکیولر امیج میں گہرائی نکالنے کے لیے عصبی عصبی نیٹ ورک کے ڈھانچے کو تعینات کرتے ہیں۔ 

تاہم، موثر سنگل ویو 3D تعمیر نو کے لیے، ماڈلز کو نہ صرف تصویر میں نظر آنے والی اشیاء کے 3D ڈھانچے کے بارے میں استدلال کرنا ہوتا ہے، بلکہ انہیں اعداد و شمار سے سیکھے گئے کچھ سابقوں کا استعمال کرتے ہوئے تصویر میں موجود پوشیدہ حصوں کو بھی دھوکا دینے کی ضرورت ہوتی ہے۔ اس کو حاصل کرنے کے لیے، فی الحال ماڈلز کی اکثریت تربیت یافتہ عصبی نیٹ ورک ڈھانچے کو براہ راست 2D نگرانی کا استعمال کرتے ہوئے 3D امیجز کو 3D شکلوں میں نقشہ بنانے کے لیے تعینات کرتی ہے، جب کہ بہت سے دوسرے فریم ورکس نے 3D شکل کی ووکسیل پر مبنی نمائندگی کو تعینات کیا ہے، اور ایک خفیہ نمائندگی کا استعمال کیا ہے۔ 3D اپ کنولوشنز تیار کریں۔ کچھ فریم ورک کمپیوٹیشنل اور میموری کی کارکردگی کو بڑھانے کے لیے آؤٹ پٹ اسپیس کو درجہ بندی سے بھی تقسیم کرتے ہیں جو ماڈل کو اعلی ریزولیوشن 3D شکلوں کی پیش گوئی کرنے کے قابل بناتا ہے۔ حالیہ تحقیق convolutional عصبی نیٹ ورکس کا استعمال کرتے ہوئے سنگل ویو 3D شکل کی پیشن گوئیوں کے لیے نگرانی کی کمزور شکلوں کو استعمال کرنے پر توجہ مرکوز کر رہی ہے، یا تو پیشن گوئی کی گئی شکلوں اور ان کی زمینی سچائی کی پیشین گوئیوں کا موازنہ کرنے کے لیے شکل ریگریسرز کو تربیت دینے کے لیے یا ایک سے زیادہ سیکھنے کے سگنلز کا استعمال کرتے ہوئے مطلب کی شکلوں کو تربیت دینے کے لیے جو ماڈل کی پیشن گوئی میں مدد کرتا ہے۔ اخترتی سنگل ویو 3D تعمیر نو میں محدود ترقی کے پیچھے ایک اور وجہ اس کام کے لیے دستیاب تربیتی ڈیٹا کی محدود مقدار ہے۔ 

آگے بڑھتے ہوئے، سنگل ویو 3D کی تعمیر نو ایک پیچیدہ کام ہے کیونکہ یہ نہ صرف بصری ڈیٹا کی جیومیٹرک بلکہ معنوی طور پر بھی تشریح کرتا ہے۔ اگرچہ وہ مکمل طور پر مختلف نہیں ہیں، لیکن وہ ہندسی تعمیر نو سے لے کر معنوی شناخت تک مختلف سپیکٹرم کو پھیلاتے ہیں۔ تصویر میں آبجیکٹ کے 3D ڈھانچے کی تعمیر نو کے کام فی پکسل استدلال۔ تعمیر نو کے کاموں کے لیے تصویر کے مواد کی معنوی تفہیم کی ضرورت نہیں ہوتی ہے، اور یہ کم درجے کے تصویری اشارے بشمول ساخت، رنگ، شیڈنگ، سائے، تناظر، اور توجہ کا استعمال کرتے ہوئے حاصل کیا جا سکتا ہے۔ دوسری طرف شناخت تصویری سیمنٹکس کے استعمال کا ایک انتہائی معاملہ ہے کیونکہ شناخت کے کام ان پٹ میں آبجیکٹ کی درجہ بندی کرنے اور ڈیٹا بیس سے متعلقہ شکل کو بازیافت کرنے کے لئے پوری اشیاء اور مقداروں کا استعمال کرتے ہیں۔ اگرچہ شناخت کے کام تصویروں میں نظر نہ آنے والے آبجیکٹ کے حصوں کے بارے میں مضبوط استدلال فراہم کر سکتے ہیں، لیکن معنوی حل صرف اسی صورت میں ممکن ہے جب ڈیٹا بیس میں موجود کسی چیز کے ذریعے اس کی وضاحت کی جا سکے۔ 

اگرچہ شناخت اور تعمیر نو کے کام ایک دوسرے سے نمایاں طور پر مختلف ہو سکتے ہیں، لیکن وہ دونوں ان پٹ امیج میں موجود قیمتی معلومات کو نظر انداز کرتے ہیں۔ بہترین ممکنہ نتائج حاصل کرنے کے لیے ان دونوں کاموں کو ایک دوسرے کے ساتھ مل کر استعمال کرنے کا مشورہ دیا جاتا ہے، اور آبجیکٹ کی تعمیر نو کے لیے درست 3D شکلیں، یعنی بہترین سنگل ویو 3D تعمیر نو کے کاموں کے لیے، ماڈل کو ساختی علم، نچلی سطح کی تصویری اشارے، استعمال کرنا چاہیے۔ اور آبجیکٹ کی اعلیٰ سطحی سمجھ۔ 

سنگل ویو تھری ڈی تعمیر نو: روایتی سیٹ اپ

روایتی سیٹ اپ کی وضاحت کرنے اور سنگل ویو 3D ری کنسٹرکشن فریم ورک کے سیٹ اپ کا تجزیہ کرنے کے لیے، ہم 3D شکل کا اندازہ لگانے کے لیے ایک ہی منظر یا آبجیکٹ کی تصویر کا استعمال کرتے ہوئے ایک معیاری سیٹ اپ تعینات کریں گے۔ تربیتی مقاصد کے لیے استعمال ہونے والا ڈیٹاسیٹ ShapeNet ڈیٹاسیٹ ہے، اور 13 کلاسوں میں کارکردگی کا جائزہ لیتا ہے جو ماڈل کو یہ سمجھنے کی اجازت دیتا ہے کہ ڈیٹاسیٹ میں کلاسوں کی تعداد ماڈل کی شکل کے تخمینے کی کارکردگی کا تعین کیسے کرتی ہے۔

جدید کنوولیشنل نیورل نیٹ ورکس کی اکثریت ہائی ریزولوشن 3D ماڈلز کی پیشین گوئی کرنے کے لیے ایک ہی تصویر کا استعمال کرتی ہے، اور ان فریم ورک کو ان کے آؤٹ پٹ کی نمائندگی کی بنیاد پر درجہ بندی کیا جا سکتا ہے: گہرائی کے نقشے، پوائنٹ کلاؤڈز، اور ووکسیل گرڈز۔ ماڈل OGN یا Octree جنریٹنگ نیٹ ورکس کو اپنے نمائندہ طریقہ کے طور پر استعمال کرتا ہے جس نے تاریخی طور پر ووکسیل گرڈ کے نقطہ نظر سے بہتر کارکردگی کا مظاہرہ کیا ہے، اور/یا غالب آؤٹ پٹ کی نمائندگی کا احاطہ کر سکتا ہے۔ موجودہ طریقوں کے برعکس جو آؤٹ پٹ کی نمائندگی کا استعمال کرتے ہیں، OGN نقطہ نظر ماڈل کو ہائی ریزولوشن کی شکلوں کی پیشین گوئی کرنے کی اجازت دیتا ہے، اور مقبوضہ جگہ کی مؤثر طریقے سے نمائندگی کرنے کے لیے octrees کا استعمال کرتا ہے۔ 

بیس لائنز

نتائج کا جائزہ لینے کے لیے، ماڈل دو بنیادی خطوط کو متعین کرتا ہے جو مسئلہ کو خالصتاً ایک شناختی کام کے طور پر سمجھتے ہیں۔ پہلی بیس لائن کلسٹرنگ پر مبنی ہے جبکہ دوسری بیس لائن ڈیٹا بیس کی بازیافت کرتی ہے۔ 

کلسٹرنگ

کلسٹرنگ بیس لائن، ماڈل K ذیلی زمرہ جات میں تربیتی شکلوں کو کلسٹر یا بنچ کرنے کے لیے K-Means الگورتھم کا استعمال کرتا ہے، اور الگورتھم کو 32*32*32 voxelizations پر چلاتا ہے۔ کلسٹر اسائنمنٹس کا تعین کرنے کے بعد، ماڈل اعلی ریزولیوشن والے ماڈلز کے ساتھ کام کرنے پر واپس چلا جاتا ہے۔ اس کے بعد ماڈل ہر کلسٹر کے اندر اوسط شکل کا حساب لگاتا ہے، اور اوسط شکلوں کی حد بندی کرتا ہے جہاں ماڈلز پر اوسط IoU یا انٹرسیکشن اوور یونین کو زیادہ سے زیادہ کرکے زیادہ سے زیادہ قیمت کا حساب لگایا جاتا ہے۔ چونکہ ماڈل 3D شکلوں اور تربیتی اعداد و شمار کے اندر موجود تصاویر کے درمیان تعلق کو جانتا ہے، اس لیے ماڈل آسانی سے تصویر کو اپنے متعلقہ کلسٹر کے ساتھ ملا سکتا ہے۔ 

بازیافت

بازیافت کی بنیاد ایک مشترکہ جگہ میں شکلوں اور تصاویر کو سرایت کرنا سیکھتی ہے۔ ماڈل ایمبیڈنگ اسپیس کی تعمیر کے لیے ٹریننگ سیٹ میں 3D میٹرکس کی شکلوں کی جوڑی کی طرح مماثلت پر غور کرتا ہے۔ یہ ماڈل میٹرکس میں ہر قطار کو کم جہتی ڈسکرپٹر تک کمپریس کرنے کے لیے سیممن میپنگ اپروچ کے ساتھ ملٹی ڈائمینشنل اسکیلنگ کا استعمال کرکے حاصل کرتا ہے۔ مزید برآں، دو من مانی شکلوں کے درمیان مماثلت کا حساب لگانے کے لیے، ماڈل لائٹ فیلڈ ڈسکرپٹر کا استعمال کرتا ہے۔ مزید برآں، ماڈل خلا میں امیجز کو ایمبیڈ کرنے کے لیے ایک ڈسکرپٹر سے تصاویر کا نقشہ بنانے کے لیے ایک ارتعاشی نیورل نیٹ ورک کو تربیت دیتا ہے۔ 

تجزیہ

سنگل ویو 3D تعمیر نو کے ماڈل مختلف حکمت عملیوں کی پیروی کرتے ہیں جس کے نتیجے میں وہ کچھ علاقوں میں دوسرے ماڈلز سے بہتر کارکردگی کا مظاہرہ کرتے ہیں جبکہ وہ دوسروں میں کم ہوتے ہیں۔ مختلف فریم ورک کا موازنہ کرنے اور ان کی کارکردگی کا جائزہ لینے کے لیے، ہمارے پاس مختلف میٹرکس ہیں، ان میں سے ایک اوسط IoU سکور ہے۔ 

جیسا کہ مندرجہ بالا تصویر میں دیکھا جا سکتا ہے، مختلف فن تعمیرات کے باوجود، جدید ترین 3D تعمیر نو کے ماڈل تقریباً اسی طرح کی کارکردگی پیش کرتے ہیں۔ تاہم، یہ نوٹ کرنا دلچسپ ہے کہ ایک خالص شناختی طریقہ ہونے کے باوجود، بازیافت کا فریم ورک اوسط اور درمیانی IoU سکور کے لحاظ سے دوسرے ماڈلز سے بہتر کارکردگی کا مظاہرہ کرتا ہے۔ کلسٹرنگ فریم ورک اٹلس نیٹ، او جی این اور ماتریوشکا فریم ورک سے بہتر کارکردگی کا مظاہرہ کرتے ہوئے ٹھوس نتائج فراہم کرتا ہے۔ تاہم، اس تجزیہ کا سب سے غیر متوقع نتیجہ یہ ہے کہ Oracle NN ایک بہترین بازیافت فن تعمیر کو استعمال کرنے کے باوجود دیگر تمام طریقوں سے بہتر کارکردگی کا مظاہرہ کرتا ہے۔ اگرچہ اوسط IoU سکور کا حساب لگانے سے مقابلے میں مدد ملتی ہے، لیکن یہ مکمل تصویر فراہم نہیں کرتا ہے کیونکہ نتائج میں فرق ماڈل سے قطع نظر زیادہ ہے۔ 

کامن ایویلیوایشن میٹرکس

سنگل ویو 3D تعمیر نو کے ماڈل اکثر کاموں کی ایک وسیع رینج پر اپنی کارکردگی کا تجزیہ کرنے کے لیے مختلف تشخیصی میٹرکس کا استعمال کرتے ہیں۔ ذیل میں عام طور پر استعمال ہونے والے تشخیصی میٹرکس میں سے کچھ ہیں۔ 

یونین اوور انٹرسیکشن

انٹرسیکشن اوور یونین کا مطلب ایک میٹرک ہے جو عام طور پر ایک مقداری پیمائش کے طور پر استعمال ہوتا ہے سنگل ویو 3D تعمیر نو کے ماڈل. اگرچہ IoU ماڈل کی کارکردگی کے بارے میں کچھ بصیرت فراہم کرتا ہے، لیکن اسے کسی طریقہ کار کا جائزہ لینے کے لیے واحد میٹرک نہیں سمجھا جاتا ہے کیونکہ یہ ماڈل کی طرف سے پیش گوئی کی گئی شکل کے معیار کی نشاندہی کرتا ہے صرف اس صورت میں جب قدریں کافی زیادہ ہوں اور اس کے درمیان نمایاں تضاد دیکھا جا رہا ہو۔ دو دی گئی شکلوں کے لیے کم اور درمیانی رینج کے اسکور۔ 

چیمفر فاصلہ

چیمفر ڈسٹینس کی وضاحت پوائنٹ کلاؤڈز پر کی گئی ہے، اور اسے اس طرح ڈیزائن کیا گیا ہے کہ اسے مختلف 3D نمائندگیوں پر تسلی بخش طریقے سے لاگو کیا جا سکے۔ تاہم، چیمفر ڈسٹنس ایویلیویشن میٹرک آؤٹ لیرز کے لیے انتہائی حساس ہے جو ماڈل کی کارکردگی کا جائزہ لینے کے لیے اسے ایک مشکل اقدام بناتا ہے، جس میں حوالہ کی شکل سے آؤٹ لیئر کا فاصلہ نسل کے معیار کو نمایاں طور پر متعین کرتا ہے۔ 

ایف سکور

F-Score ایک عام تشخیصی میٹرک ہے جسے زیادہ تر ملٹی ویو 3D ری کنسٹرکشن ماڈلز کے ذریعے فعال طور پر استعمال کیا جاتا ہے۔ F-Score میٹرک کو یاد کرنے اور درستگی کے درمیان ہارمونک وسط کے طور پر بیان کیا جاتا ہے، اور یہ واضح طور پر اشیاء کی سطحوں کے درمیان فاصلے کا اندازہ کرتا ہے۔ درستگی تعمیر نو کی درستگی کی پیمائش کرنے کے لیے، زمینی سچائی سے پہلے سے طے شدہ فاصلے کے اندر پڑے ہوئے تعمیر نو پوائنٹس کے فیصد کو شمار کرتی ہے۔ دوسری طرف Recall تعمیر نو کی تکمیل کو ماپنے کے لیے تعمیر نو کے پہلے سے طے شدہ فاصلے کے اندر موجود زمینی سچائی پر پوائنٹس کا فیصد شمار کرتا ہے۔ مزید برآں، فاصلے کی حد کو مختلف کرکے، ڈویلپرز F-Score میٹرک کی سختی کو کنٹرول کر سکتے ہیں۔ 

فی کلاس تجزیہ

مندرجہ بالا فریم ورک کے ذریعہ فراہم کردہ کارکردگی میں مماثلت کلاسوں کے مختلف ذیلی سیٹوں پر چلنے والے طریقوں کا نتیجہ نہیں ہوسکتی ہے، اور مندرجہ ذیل اعداد و شمار مختلف کلاسوں میں مسلسل رشتہ دار کارکردگی کو ظاہر کرتا ہے اور Oracle NN بازیافت بیس لائن کے ساتھ ان سب کا بہترین نتیجہ حاصل کرنا، اور سبھی تمام کلاسوں کے لیے اعلی تغیرات کا مشاہدہ کرنے کے طریقے۔  

مزید برآں، کسی کلاس کے لیے دستیاب تربیتی نمونوں کی تعداد کسی کو یہ فرض کر سکتی ہے کہ یہ فی کلاس کی کارکردگی کو متاثر کرتی ہے۔ تاہم، جیسا کہ مندرجہ ذیل اعداد و شمار میں دکھایا گیا ہے، کلاس کے لیے دستیاب تربیتی نمونوں کی تعداد فی کلاس کی کارکردگی کو متاثر نہیں کرتی ہے، اور کلاس میں نمونوں کی تعداد اور اس کے اوسط IoU سکور کا کوئی تعلق نہیں ہے۔ 

کوالٹیٹو تجزیہ

مندرجہ بالا سیکشن میں زیر بحث مقداری نتائج کو معیار کے نتائج کی حمایت حاصل ہے جیسا کہ درج ذیل تصویر میں دکھایا گیا ہے۔ 

کلاسوں کی اکثریت کے لیے، کلسٹرنگ بیس لائن اور ڈیکوڈر پر مبنی طریقوں سے کی گئی پیشین گوئیوں کے درمیان کوئی خاص فرق نہیں ہے۔ کلسٹرنگ اپروچ نتائج فراہم کرنے میں ناکام ہوتا ہے جب نمونے اور اوسط کلسٹر کی شکل کے درمیان فاصلہ زیادہ ہوتا ہے، یا ایسے حالات میں جب درمیانی شکل خود کلسٹر کو اچھی طرح سے بیان نہیں کرسکتی ہے۔ دوسری طرف، ڈیکوڈر پر مبنی طریقوں اور بازیافت کے فن تعمیر کو استعمال کرنے والے فریم ورک انتہائی درست اور دلکش نتائج فراہم کرتے ہیں کیونکہ وہ تیار کردہ 3D ماڈل میں عمدہ تفصیلات شامل کرنے کے قابل ہوتے ہیں۔ 

سنگل ویو 3D تعمیر نو: حتمی خیالات

اس آرٹیکل میں، ہم نے سنگل ویو 3D آبجیکٹ ری کنسٹرکشن کے بارے میں بات کی ہے، اور اس کے کام کرنے کے طریقے کے بارے میں بات کی ہے، اور دو بنیادی خطوط کے بارے میں بات کی ہے: بازیافت اور درجہ بندی، بازیافت کے بنیادی نقطہ نظر کے ساتھ جو کہ آرٹ ماڈلز کی موجودہ حالت کو بہتر بناتی ہے۔ آخر میں، اگرچہ سنگل ویو تھری ڈی آبجیکٹ ری کنسٹرکشن یہ AI کمیونٹی میں سب سے مشہور اور سب سے زیادہ تحقیق شدہ عنوانات میں سے ایک ہے، اور پچھلے کچھ سالوں میں نمایاں پیش رفت کرنے کے باوجود، سنگل ویو 3D آبجیکٹ کی تعمیر نو آنے والے سالوں میں اہم رکاوٹوں پر قابو پانے کے لیے کامل نہیں ہے۔