24 مهر 1404
گوگل یک فناوری تحقیقاتی جدید را معرفی کرده است که صحنههای کامل را از نماهای دوربین با شرایط نوری مختلف، به صورت دیجیتالی بازسازی میکند. این فناوری به جزئیات با فرکانس بالا (high-frequency details) و خواص متریال واقعگرایانه بیسابقهای دست مییابد. این روش پیشگامانه از inverse rendering و path tracing بهره میبرد تا شبیهسازیهای تقریباً pixel-perfect را بدون استفاده از شبکههای عصبی (neural networks) تولید کند.
گوگل یک فناوری تحقیقاتی نوآورانه توسعه داده است که قادر به بازسازی دیجیتالی صحنههای کامل از نماهای متعدد دوربین است و شرایط نوری متنوع را در بازسازی ادغام میکند.
این فناوری در تولید صحنههای دیجیتالی با جزئیات استثنایی high-frequency، که در ساختارهای پیچیدهای مانند پوسته حلزون مشهود است، برتری دارد؛ قابلیتی که از روشهای قبلی فراتر میرود.
این فناوری به طور دقیق subsurface scattering را شبیهسازی میکند؛ پدیدهای که در آن نور وارد یک شیء شده و به صورت داخلی پراکنده میشود و ظاهری شفاف و واقعگرایانه برای موادی مانند پوست انسان، شیر و مرمر ایجاد میکند.
این سیستم با یادگیری خواص فیزیکی یک شیء مستقیماً از تصاویر عکاسی، inverse rendering را انجام میدهد و با شناسایی بافت، براقیت و نحوه پراکندگی نور در سطوح شفاف آن، بدون نیاز به اندازهگیریهای گسترده متریال، عمل میکند.
این روش با دستیابی به بازسازیهای تقریباً pixel-perfect و واقعگرایانه با خواص متریال معتبر، کیفیتی برتر نسبت به روشهای قبلی ارائه میدهد که اغلب منجر به خروجیهای لکهدار یا پر نویز میشدند.
این فناوری به چهرههای انسان نیز گسترش مییابد و امکان ایجاد آواتارهای مجازی دقیق را فراهم میکند که امکان تغییرات پویا در نورپردازی را میدهد و بازسازی افراد را در محیطهای دیجیتالی جدید یا بازیهای ویدیویی تسهیل میکند.
در حالی که این روش بسیار پیشرفته است، بدون نقص نیست و مصنوعات جزئی، به ویژه در اطراف چشمها، از خود نشان میدهد و به اطلاعات قبلی در مورد هندسه و نورپردازی صحنه نیاز دارد.
مکانیزم اصلی این فناوری path tracing است که مسیر واقعی میلیونها پرتو نور منفرد را از طریق متریالها برای ساختن تصویر نهایی شبیهسازی میکند و برخلاف میانبرهای کمتر دقیق 'diffusion'، شبیهسازی مستقیم و دقیقی از واقعیت ارائه میدهد.
این روش از الگوریتمهای هوش مصنوعی مدرن مانند automatic differentiation و gradient descent استفاده میکند و نتایج پیچیده خود را به طور قابل توجهی از طریق نبوغ انسانی به دست میآورد تا اتکا به شبکههای عصبی.
این روش جدید از path tracing استفاده میکند و با شبیهسازی مسیر واقعی پرتوهای نور منفرد برای ساختن تصویر نهایی، شبیهسازی مستقیمی از واقعیت و فوقالعاده دقیق ارائه میدهد.
| جنبه | جزئیات |
|---|---|
| بازسازی صحنه | صحنههای دیجیتالی کامل را از نماهای مختلف دوربین و شرایط نوری بازسازی میکند. |
| وفاداری جزئیات | جزئیات high-frequency بیسابقه و خواص متریال واقعگرایانه تولید میکند. |
| مدیریت شفافیت | پراکندگی زیرسطحی (subsurface scattering) را برای موادی مانند پوست، شیر و مرمر به طرز ماهرانهای شبیهسازی میکند. |
| یادگیری متریال | inverse rendering را برای یادگیری خواص فیزیکی و متریال مستقیماً از عکسها انجام میدهد. |
| سطح دقت | بازسازیهای تقریباً pixel-perfect و واقعگرایانه را با دقتی بالاتر از نتایج پر نویز قبلی به دست میآورد. |
| تکنیک زیربنایی | از path tracing برای شبیهسازی دقیق پرتوهای نور استفاده میکند و از روشهای سادهتر diffusion پیشی میگیرد. |
| پیادهسازی هوش مصنوعی | از automatic differentiation و gradient descent استفاده میکند، به طور قابل توجهی بدون شبکههای عصبی. |
| کاربرد کلیدی | امکان ایجاد آواتارهای مجازی با نورپردازی پویا و قرارگیری در محیطهای دیجیتالی جدید را فراهم میکند. |
