Skip to content

搞英语 → 看世界

翻译英文优质信息和名人推特

Menu
  • 首页
  • 作者列表
  • 独立博客
  • 专业媒体
  • 名人推特
  • 邮件列表
  • 关于本站
Menu

NVIDIA 的新 AI 模型可快速生成虚拟世界的对象和角色

Posted on 2022-09-23

英伟达正在寻求用一种新的方法来消除创建虚拟 3D 世界的痛苦人工智能模型。 NVIDIA 表示,GET3D 可以生成角色、建筑物、车辆和其他类型的 3D 对象。该模型也应该能够快速制作形状。该公司指出,GET3D 可以使用单个 GPU 每秒生成大约 20 个对象。

研究人员使用从多个角度拍摄的 3D 形状的合成 2D 图像来训练模型。 NVIDIA 表示,使用 A100 Tensor Core GPU 只用了两天时间就将大约 100 万张图像输入 GET3D。

该模型可以创建具有“高保真纹理和复杂几何细节”的对象,NVIDIA 的 Isha Salian在博客文章中写道. GET3D 制作的形状“是三角形网格的形式,就像一个纸质模型,上面覆盖着一种纹理材料,”Salian 补充道。

用户应该能够快速将对象导入游戏引擎、3D 建模器和电影渲染器进行编辑,因为 GET3D 将以兼容的格式创建它们。这意味着开发人员可以更轻松地为游戏和虚拟世界创建密集的虚拟世界。 NVIDIA 将机器人技术和架构列为其他用例。

该公司表示,基于汽车图像的训练数据集,GET3D 能够生成轿车、卡车、赛车和货车。在接受动物图像训练后,它还可以生产狐狸、犀牛、马和熊。正如您所料,NVIDIA 指出,输入 GET3D 的训练集越大、越多样化,“输出就越多样化和详细”。

在另一个 NVIDIA AI 工具的帮助下, 风格GAN-NADA ,可以通过基于文本的提示将各种样式应用于对象。您可以将烧毁的外观应用于汽车,将房屋模型转换为鬼屋,或者正如展示技术的视频所暗示的那样,将虎纹应用于任何动物。

创建 GET3D 的 NVIDIA 研究团队认为,未来的版本可以在真实世界的图像而不是合成数据上进行训练。也可以一次在各种类型的 3D 形状上训练模型,而不必在给定时间专注于一个对象类别。

原文: https://www.engadget.com/nvidia-ai-model-get3d-virtual-worlds-objects-130021127.html?src=rss

本站文章系自动翻译,站长会周期检查,如果有不当内容,请点此留言,非常感谢。
  • Abhinav
  • Abigail Pain
  • Adam Fortuna
  • Alberto Gallego
  • Alex Wlchan
  • Alin Panaitiu
  • Anil Dash
  • Answer.AI
  • Arne Bahlo
  • Ben Carlson
  • Ben Kuhn
  • Bert Hubert
  • Big Technology
  • Bits about Money
  • Brandon Skerritt
  • Brian Krebs
  • ByteByteGo
  • Chip Huyen
  • Chips and Cheese
  • Christopher Butler
  • Colin Percival
  • Cool Infographics
  • Dan Sinker
  • David Walsh
  • Dmitry Dolzhenko
  • Dustin Curtis
  • eighty twenty
  • Elad Gil
  • Ellie Huxtable
  • Ethan Dalool
  • Ethan Marcotte
  • Exponential View
  • FAIL Blog
  • Founder Weekly
  • Geoffrey Huntley
  • Geoffrey Litt
  • Greg Mankiw
  • HeardThat Blog
  • Henrique Dias
  • Herman Martinus
  • Hypercritical
  • IEEE Spectrum
  • Investment Talk
  • Jaz
  • Jeff Geerling
  • Jonas Hietala
  • Josh Comeau
  • Lenny Rachitsky
  • Li Haoyi
  • Liz Danzico
  • Lou Plummer
  • Luke Wroblewski
  • Maggie Appleton
  • Matt Baer
  • Matt Stoller
  • Matthias Endler
  • Mert Bulan
  • Mind Matters
  • Mostly metrics
  • Naval Ravikant
  • News Letter
  • NextDraft
  • Non_Interactive
  • Not Boring
  • One Useful Thing
  • Phil Eaton
  • PostHog
  • Product Market Fit
  • Readwise
  • ReedyBear
  • Robert Heaton
  • Rohit Patel
  • Ruben Schade
  • Sage Economics
  • Sam Altman
  • Sam Rose
  • selfh.st
  • Shtetl-Optimized
  • Simon schreibt
  • Slashdot
  • Small Good Things
  • Steph Ango
  • Stephen Wolfram
  • Steve Blank
  • Taylor Troesh
  • Telegram Blog
  • The Macro Compass
  • The Pomp Letter
  • thesephist
  • Thinking Deep & Wide
  • Tim Kellogg
  • Understanding AI
  • Wes Kao
  • 英文媒体
  • 英文推特
  • 英文独立博客
©2026 搞英语 → 看世界 | Design: Newspaperly WordPress Theme