什么是 InfiniteNature-Zero AI 模型？

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： https ://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， https://arxiv.org/abs/2207.11148
►代码及项目网址： https ://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！）： https ://www.louisbouchard.ai/newsletter/

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