您是否曾想过能够拍摄一张照片并神奇地潜入其中，仿佛它是通往另一个世界的大门？ 好吧，不管你有没有想过这个，有些人已经想到了，多亏了他们，人工智能现在可以实现了！这距离隐形传态和能够亲临现场仅一步之遥。也许有一天人工智能会帮助解决这个问题并解决实际问题！我只是在开玩笑，这真的很酷，我很高兴有人正在为此努力。 这是无限自然……零！之所以这样称呼它，是因为它是我之前介绍过的一篇名为 InfiniteNature 的论文的后续。有什么不同？质量！ 在视频中了解更多... 参考 ►阅读全文： ://www.louisbouchard.ai/infinitenature-zero/ ►Li, Z.、Wang, Q.、Snavely, N. 和 Kanazawa, A.，2022 年。 InfiniteNature-Zero：学习自然的永久视图生成 来自单幅图像的场景。在欧洲计算机视觉会议上 （第 515-534 页）。斯普林格，查姆， ►代码及项目网址： ://infinite-nature-zero.github.io/ ►我的时事通讯（每周向您的电子邮件解释一个新的 AI 应用程序！）： ://www.louisbouchard.ai/newsletter/ https https://arxiv.org/abs/2207.11148 https https 视频成绩单 0:00 你有没有想过能够 0:02 拍张照片然后神奇地潜水 0:04 进入它就好像它是一扇门 0:06 另一个世界好吧你是否想过 0:08 关于这个或没有一些人做了和 0:11 多亏了他们，人工智能现在成为可能 0:13 这只是一步之遥 0:16 传送并能够在那里 0:18 物理上也许有一天人工智能会有所帮助 0:21 并解决一个实际问题 0:23 我只是在开玩笑，这真的很酷而且 0:25 我很高兴有人正在为此努力 0:27 这是无限的自然零它被称为 0:31 这样，因为它是 0:33 我之前报道过的论文叫做 0:35 无限的自然有什么区别 0:37 质量只看它这么多 0:40 只在一篇论文中做得更好，这太不可思议了 0:43 你真的可以感觉到你是 0:45 潜入画面，它只是 0:47 需要一张输入图片有多酷 0:50 唯一更酷的是如何 0:53 它有效让我们深入研究它但首先 0:56 请允许我占用你 10 秒的时间 0:58 这个视频的赞助商我自己是只有 10 1:01 秒我不认为我应该得到更多 1:02 与那些了不起的公司相比 1:04 如果你喜欢，通常会赞助我的作品 1:06 首先是视频，我认为你应该 1:08 订阅频道，但我也 1:10 我想你会喜欢我的两份时事通讯 1:12 我在那里分享日常研究论文和 1:15 新闻和我分享的每周新闻 1:17 这些视频非常有趣 1:19 与这些论文相关的讨论和 1:21 人工智能伦理你可能应该关注我 1:24 在 Twitter 上以及什么是 AI 如果你愿意 1:26 喜欢了解最新消息 1:28 该领域的论文即将到来 1:30 赶上 cvpr 截止日期 1:32 过去了，你不想错过 1:34 那些那么无限自然如何归零 1:37 一切从一张图片开始 1:40 你发送作为输入是的单个图像它 1:43 不需要一个或多个视频 1:44 观点或其他任何不同的地方 1:47 从他们以前的论文中我也 1:49 涵盖了他们需要视频帮助的地方 1:51 模型理解自然场景 1:53 在训练期间，这也是为什么他们 1:55 称这个模型为无限自然零 1:58 因为这里需要零个视频 2:01 他们的工作分为三种方法 2:03 在训练期间使用以获得 2:05 这些结果启动模型 2:07 随机采样两个虚拟相机 2:10 轨迹会告诉你在哪里 2:12 你也要去图片里为什么 2:14 因为力是必要的 2:16 生成一个新视图，告诉您去哪里 2:19 飞入图像生成第二个 2:21 想象这是你的实际轨迹 2:24 将参加第二个虚拟 2:25 在训练期间使用轨迹来 2:28 潜水并返回原始图像 2:31 教模型学习几何感知 2:33 视图生成期间的视图细化 2:36 在我们教它的时候以一种自我监督的方式 2:39 回到我们已经拥有的图像 2:42 在我们的训练数据集中，他们指的是 2:44 这种方法作为循环虚拟相机 2:46 轨迹作为起点和终点 2:48 视图与我们的输入图像相同 2:51 通过去一个虚拟的或假的来做到这一点 2:54 示例视点并返回 2:56 原来的观点后来只是为了教 2:58 模型的重建部分 3:01 视点使用一个采样 3:03 称为自动驾驶算法的算法 3:05 寻找天空而不是跳伞进入 3:08 没有人愿意的岩石或地面 3:10 这样做然后在训练期间我们使用 3:13 使用鉴别器的类似枪支的方法 3:15 衡量新观点的多少 3:17 生成的看起来像真实图像 3:19 用 L adversarial 或 ladv 表示 3:23 所以是的，枪还没有死，这是 3:26 它们非常酷的应用 3:28 在没有的情况下指导培训 3:30 任何地面屋顶，例如当你 3:32 在这种情况下没有无限图像 3:34 基本上他们使用另一种模型 3:37 在我们的训练中训练的判别器 3:39 可以查看图像是否看起来的数据集 3:42 成为它的一部分或不那么基于它 3:44 回答你可以提高一代 3:46 让它看起来像我们数据中的图像 3:49 看起来很逼真的场景 3:52 也衡量我们之间的差异 3:53 重新生成的初始图像和 3:56 原创一帮模特 3:57 迭代地更好地重建 3:59 在这里由 L Rick 代表 4:03 我们简单地重复这个过程多次 4:05 生成我们新颖的框架的时间和 4:07 创建这些类型的视频有一个 4:10 在得到那些之前要调整的最后一件事 4:12 他们看到了惊人的结果 4:14 接近天空，因为它是无限的 4:17 自然与地面的变化相比 4:19 太快无法解决他们使用的问题 4:21 另一个细分模型来找到 4:24 天空中自动生成 4:26 图像并使用智能修复它 4:28 生成之间的混合系统 4:31 天空和我们初始图像中的天空 4:33 以免变化太快 4:35 并且在训练之后不切实际 4:38 这两个步骤的过程和规模 4:40 精炼无限自然0让你 4:42 拥有稳定的远程轨迹 4:44 对于自然场景以及准确 4:47 生成高贵的观点是 4:49 几何连贯，瞧，这是 4:52 你如何拍照并潜入 4:54 就好像你是一只鸟，我邀请你 4:56 阅读他们的论文以获取更多详细信息 4:58 他们的方法和限制 5:00 特别是关于他们如何实现 5:02 以如此聪明的方式训练他们的模型 5:05 因为我省略了一些技术细节 5:07 通过以下方式使 Simplicity 成为可能 5:09 代码可用和链接的方式 5:11 下面如果你想试试让我 5:13 知道你是否这样做并把结果发给我 5:15 我很想看到他们谢谢你 5:17 看着，我希望你喜欢这个 5:19 视频我下周见 5:21 另一篇惊人的论文
