एआई एजेंट फोटो से 3D दृश्य बनाते हैं लेकिन यह नहीं जानते कि वे सही हैं या नहीं
decoder ·
मैरीलैंड यूनिवर्सिटी और AWS के शोधकर्ताओं ने LEGO-Anything पेश किया है, एक सिस्टम जो 'इमेज-टू-कोड' की पुनरावृत्त प्रक्रिया के माध्यम से एकाधिक कोडिंग एजेंट्स का उपयोग करके एकल फोटो से संपादन योग्य 3D ब्लेंडर सीन्स उत्पन्न करता है। इन एजेंट्स का मूल्यांकन करने के लिए, टीम ने LEGO-Bench बनाया, जो सिमुलेटर-रेंडरित छवियों का उपयोग करता है जिनमें सटीक वैधता, ज्यामिति और उपस्थिति के स्कोरिंग के लिए छिपी हुई ग्राउंड ट्रुथ होती है। हालांकि परीक्षण किए गए सभी GPT कॉन्फ़िगरेशन ने उपयोग योग्य सीन आर्टिफैक्ट्स उत्पन्न किए, लेकिन ज्यामितीय सटीकता में काफी अंतर था, जिसमें सबसे अच्छे मॉडल ने इंडोर सीन्स पर केवल 53.4% प्राप्त किया। एक महत्वपूर्ण निष्कर्ष यह था कि एजेंट्स में अपनी स्वयं की आत्म-मूल्यांकन क्षमताएं विश्वसनीय नहीं हैं, और वे अक्सर तब भी विफल रहते हैं जब उनकी स्वयं की समीक्षाओं से सीन की गुणवत्ता खराब हो जाती है। इसके जवाब में, शोधकर्ताओं ने LEGO-Plugin विकसित किया, जिसने व्यक्तिपरक निर्णय को ठोस मापों से बदल दिया और सभी मॉडलों में प्रदर्शन में सफलतापूर्वक सुधार किया। इन उन्नतियों के बावजूद, वर्तमान में पुनर्निर्मित सीन्स ऑब्जेक्ट डिटेक्शन और डेप्थ एस्टिमेशन जैसे डाउनस्ट्रीम विजन टास्क्स के लिए विशेष AI मॉडल्स की तुलना में केवल मध्यम परिणाम प्रदान करते हैं। अध्ययन इस बात पर प्रकाश डालता है कि भले ही कार्यक्षम 3D प्रोग्राम वादा करने वाले हैं, फिर भी कार्यात्मक आउटपुट और विश्वसनीय ज्यामितीय पुनर्निर्माण के बीच महत्वपूर्ण अंतर बने हुए हैं।
decoder