Các nhà nghiên cứu tại Đại học Carnegie Mellon đã phát triển một phương pháp mới để tạo ra các hình ảnh 3D có độ phân giải cao từ các mô hình ngôn ngữ lớn (LLM) như GPT-4. Phương pháp này, được gọi là "3D-GPT", sử dụng các mô tả văn bản để tạo ra các hình ảnh 3D chi tiết và chân thực.
3D-GPT hoạt động bằng cách kết hợp sức mạnh của LLM với các kỹ thuật tạo hình ảnh 3D. Đầu tiên, LLM được sử dụng để tạo ra một mô tả văn bản chi tiết về đối tượng 3D mong muốn. Mô tả này sau đó được đưa vào một mô hình tạo hình ảnh 3D, mô hình này sẽ tạo ra hình ảnh 3D cuối cùng.
Một trong những ưu điểm chính của 3D-GPT là khả năng tạo ra các hình ảnh 3D có độ phân giải cao và chi tiết. Điều này là do LLM có thể tạo ra các mô tả văn bản rất chi tiết, sau đó được sử dụng để hướng dẫn quá trình tạo hình ảnh 3D. Ngoài ra, 3D-GPT có thể tạo ra các hình ảnh 3D của nhiều loại đối tượng khác nhau, từ các vật thể đơn giản đến các cảnh phức tạp.
Các nhà nghiên cứu tin rằng 3D-GPT có nhiều ứng dụng tiềm năng, bao gồm tạo nội dung cho thực tế ảo và tăng cường, thiết kế sản phẩm và giáo dục. Ví dụ, 3D-GPT có thể được sử dụng để tạo ra các mô hình 3D của các vật thể lịch sử hoặc các địa điểm địa lý, sau đó có thể được sử dụng trong các ứng dụng giáo dục.
Mặc dù 3D-GPT vẫn đang trong giai đoạn phát triển ban đầu, nhưng nó đã cho thấy nhiều hứa hẹn. Các nhà nghiên cứu đang tiếp tục cải thiện phương pháp này và hy vọng sẽ phát hành nó ra công chúng trong tương lai gần.
Paperium
Đăng ngày 28/5
• Ban đầu được xuất bản tại paperium.net
OpenCoder: Sổ tay hướng dẫn mở cho các mô hình ngôn ngữ lớn mã nguồn hàng đầu
#ai
#deeplearning
#computerscience
#machinelearning
AI (Loạt 3279 phần)
1
Học tập tác nhân thông qua kinh nghiệm ban đầu
2
MM-HELIX: Tăng cường suy luận phản ánh chuỗi dài đa phương thức với nền tảng toàn diện và tối ưu hóa chính sách lai thích ứng
...
3275 phần nữa...
3
MemMamba: Suy nghĩ lại các mẫu bộ nhớ trong mô hình không gian trạng thái
4
UniVideo: Hiểu, tạo và chỉnh sửa video thống nhất
5
VideoCanvas: Hoàn thành video thống nhất từ các bản vá không gian-thời gian tùy ý thông qua điều kiện theo ngữ cảnh
6
DreamOmni2: Chỉnh sửa và tạo đa phương thức dựa trên hướng dẫn
7
Từ cái gì đến tại sao: Một hệ thống đa tác nhân để suy luận điều kiện phản ứng hóa học dựa trên bằng chứng
8
Nhận thức siêu dữ liệu tăng cường các mô hình suy luận: Học tăng cường tự căn chỉnh
9
Khi suy nghĩ gặp sự thật: Suy luận có thể tái sử dụng cho các mô hình ngôn ngữ lớn ngữ cảnh dài
10
Các token xác suất thấp duy trì khám phá trong học tăng cường với phần thưởng có thể kiểm chứng
11
Vũ điệu căn chỉnh: Đào tạo đồng thời các tác nhân để hợp tác vì sự an toàn
12
Tối ưu hóa chính sách tương đối nhóm không cần đào tạo
13
Tăng cường lai: Khi phần thưởng thưa thớt, tốt hơn là nên dày đặc
14
NewtonBench: Đánh giá khám phá luật khoa học có thể tổng quát hóa trong các tác nhân LLM
15
ARTDECO: Hướng tới tái tạo 3D hiệu quả và độ trung thực cao theo thời gian thực với biểu diễn cảnh có cấu trúc
16
DeepPrune: Mở rộng song song không có sự dư thừa giữa các dấu vết
17
Lần thử đầu tiên rất quan trọng: Xem xét lại vai trò của sự phản ánh trong các mô hình suy luận
18
LLM học cách lừa dối một cách vô ý: Sự sai lệch bất ngờ trong sự không trung thực từ các mẫu sai lệch đến tương tác người-AI thiên vị
19
UniMMVSR: Một khung đa phương thức thống nhất để siêu phân giải video xếp tầng
20
NaViL: Suy nghĩ lại các thuộc tính mở rộng của các mô hình ngôn ngữ lớn đa phương thức gốc dưới các ràng buộc dữ liệu
21
CoMAS: Các hệ thống đa tác nhân đồng tiến hóa thông qua phần thưởng tương tác
22
PickStyle: Chuyển đổi kiểu video sang video với bộ điều hợp kiểu ngữ cảnh
23
UNIDOC-BENCH: Một điểm chuẩn thống nhất cho RAG đa phương thức tập trung vào tài liệu
24
InstructX: Hướng tới chỉnh sửa hình ảnh thống nhất với hướng dẫn MLLM
25
LongRM: Tiết lộ và mở khóa ranh giới ngữ cảnh của mô hình phần thưởng
26
Học trong công việc: Một tác nhân tự tiến hóa dựa trên kinh nghiệm cho các tác vụ dài hạn
27
Tăng cường các mô hình khuếch tán bằng cách tối ưu hóa ưu tiên nhóm trực tiếp
28
Kiểm soát tạo video văn bản thành âm thanh thông qua điều kiện và tương tác phương thức nâng cao
29
Kích hoạt điều hòa entropy: Tăng cường kiểm soát liên tục, các mô hình ngôn ngữ lớn và phân loại hình ảnh với kích hoạt là
30
Truy xuất và củng cố bộ nhớ trong các mô hình ngôn ngữ lớn thông qua các token chức năng
31
Tái chế các điểm kiểm tra được đào tạo trước: Tăng trưởng trực giao của hỗn hợp chuyên gia để đào tạo trước mô hình ngôn ngữ lớn hiệu quả
32
GCPO: Khi độ tương phản thất bại, hãy chọn vàng
33
UP2You: Tái tạo nhanh chóng bản thân từ các bộ sưu tập ảnh không giới hạn
34
OmniRetarget: Tạo dữ liệu bảo toàn tương tác cho thao tác toàn thân hình người và tương tác cảnh
35
DexNDM: Thu hẹp khoảng cách thực tế cho vòng quay khéo léo trong tay thông qua mô hình động lực học thần kinh khớp
36. A^2Search: Trả lời câu hỏi nhận biết sự mơ hồ bằng học tăng cường.
37. Học cách định tuyến các mô hình ngôn ngữ lớn (LLM) từ phản hồi Bandit: Một chính sách, nhiều sự đánh đổi.
38. Search-R3: Thống nhất suy luận và tạo nhúng trong các mô hình ngôn ngữ lớn.
39. R2RGEN: Tạo dữ liệu 3D từ thực tế sang thực tế để thao tác tổng quát hóa không gian.
40. Drive&Gen: Đồng đánh giá các mô hình lái xe đầu cuối và tạo video.
41. Vượt ra ngoài các giá trị ngoại lai: Một nghiên cứu về các bộ tối ưu hóa trong lượng tử hóa.
42. SViM3D: Khuếch tán vật liệu video ổn định để tạo 3D từ một hình ảnh.
43. GyroSwin: Các mô hình thay thế 5D cho mô phỏng nhiễu loạn plasma Gyrokinetic.
44. Hướng tới chỉnh sửa 3D có thể mở rộng và nhất quán.
45. Sử dụng mạng trực tuyến nếu có thể: Hướng tới học tăng cường nhanh và ổn định.
46. Thành phần dữ liệu nhận biết độ trung thực để tổng quát hóa robot mạnh mẽ.
47. SciVideoBench: Đánh giá suy luận video khoa học trong các mô hình đa phương thức lớn.
48. Khuếch tán quy mô lớn thông qua tính nhất quán thời gian liên tục được điều chỉnh theo điểm số.
49. Vượt qua giới hạn lượt: Huấn luyện các tác nhân tìm kiếm sâu với cửa sổ ngữ cảnh động.
50. OpenRubrics: Hướng tới tạo tiêu chí tổng hợp có thể mở rộng để mô hình hóa phần thưởng và căn chỉnh LLM.
51. Tư duy bằng camera: Một mô hình đa phương thức thống nhất để hiểu và tạo hình ảnh lấy camera làm trung tâm.
52. D2E: Mở rộng đào tạo trước thị giác-hành động trên dữ liệu máy tính để chuyển sang AI thể hiện.
53. TAG: Hướng dẫn khuếch đại tiếp tuyến để lấy mẫu khuếch tán chống ảo giác.
54. Tối ưu hóa lời nhắc đa phương thức: Tại sao không tận dụng nhiều phương thức cho MLLM.
55. AutoPR: Hãy tự động hóa việc thăng tiến học thuật của bạn!
56. R-Horizon: Mô hình suy luận lớn của bạn thực sự có thể đi xa đến đâu về chiều rộng và chiều sâu?
57. Webscale-RL: Quy trình dữ liệu tự động để mở rộng dữ liệu RL đến cấp độ đào tạo trước.
58. SpaceVista: Suy luận không gian trực quan ở mọi quy mô từ mm đến km.
59. StreamingVLM: Hiểu biết thời gian thực cho các luồng video vô hạn.
60. Đừng lãng phí sai lầm: Tận dụng các nhóm RL tiêu cực thông qua việc điều chỉnh lại độ tin cậy.
61. ARES: Suy luận thích ứng đa phương thức thông qua định hình entropy cấp mã thông báo nhận biết độ khó.
62. KORMo: Mô hình suy luận mở tiếng Hàn cho mọi người.
63. DISCO: Đa dạng hóa cô đặc mẫu để đánh giá mô hình hiệu quả.
64. Kết nối suy luận với học tập: Làm sáng tỏ ảo ảnh bằng cách tổng quát hóa độ phức tạp ngoài phân phối.
65. Biến đổi Gaussian lũy tiến với nhận biết dị hướng.
Nguồn tin: Dev.to Machine Learning — Tác giả: Paperium. Bản dịch tiếng Việt do AI thực hiện, có thể có sai sót.
