تبدیل تصاویر به مدل های سه‌بعدی دقیق با Seed3D 1.0 بایت‌دنس

شرکت فناوری چینی بایت‌دنس (ByteDance) از مدل جدید خود با نام Seed3D 1.0 رونمایی کرده که قادر است تنها با دریافت یک تصویر، اشیای سه‌بعدی با جزئیات هندسی دقیق و بافت‌های فیزیکی واقع‌گرایانه تولید کند.

به گزارش تک‌ناک، این مدل توسط تیم تحقیقاتی داخلی شرکت، موسوم به Seed Team توسعه یافته است. بر اساس گزارش رسمی بایت‌دنس، این مدل از معماری Diffusion Transformer بهره می‌برد؛ ساختاری که برای بازسازی داده‌های فضایی و بصری با دقت بالا طراحی شده است.

مدل Seed3D 1.0 بایت‌دنس با استفاده از مجموعه‌داده‌های بزرگ، توانایی ایجاد هندسه سه‌بعدی کامل، مواد فیزیکی قابل رندر (PBR) و بافت‌های طبیعی را دارد. به گفته تیم Seed، خروجی این مدل را می‌توان به صورت مستقیم وارد موتورهای شبیه‌سازی مانند Nvidia Isaac Sim کرد و برای آموزش مدل‌های هوش مصنوعی تجسمی به‌کار گرفت. چنین قابلیتی، زمان و هزینه تطبیق داده‌ها را در فرایندهای شبیه‌سازی به شکل محسوسی کاهش می‌دهد.

تبدیل تصاویر به مدل های سه‌بعدی دقیق با Seed3D 1.0 بایت‌دنس انجام می شود

01
از 01
کاربردها و عملکرد مدل Seed3D 1.0 بایت‌دنس

در مقایسه با مدل‌های موجود، Seed3D 1.0 از نظر کیفیت تولید بافت و دقت بازسازی هندسه، عملکرد بهتری داشته است. آزمایش‌های داخلی نشان می‌دهد که این مدل با ۱.۵ میلیارد پارامتر از مدل Hunyuan3D-2.1 با ۳ میلیارد پارامتر پیشی گرفته است. این داده‌ها نشان‌دهنده افزایش بازدهی در تولید مدل‌ها بدون نیاز به افزایش چشمگیر حجم پارامترها هستند. از ویژگی‌های قابل‌ توجه Seed3D 1.0 می‌توان به تولید مرحله‌ای صحنه‌های سه‌بعدی اشاره کرد. این سیستم پس از دریافت تصویر یک شیء، موقعیت و ارتباط میان اشیا را با استفاده از مدل بینایی-زبانی شناسایی می‌کند، سپس مدل سه‌بعدی هر جزء را بازسازی و در نهایت، صحنه‌ای کامل از محیط‌های مختلف از جمله دفاتر کاری، خیابان‌ها یا فضاهای صنعتی تولید می‌کند.

کاربردهای احتمالی Seed3D 1.0 شامل حوزه‌های شبیه‌سازی، رباتیک، بازی‌سازی و مجازی‌سازی صنعتی عنوان شده است. با وجود این، بایت‌دنس اعلام نکرده است که آیا این مدل به‌ صورت عمومی در دسترس توسعه‌دهندگان قرار خواهد گرفت، یا صرفاً در پروژه‌های داخلی مورد استفاده قرار می‌گیرد. عرضه Seed3D 1.0 نشان‌دهنده حرکت بایت‌دنس به سمت فناوری‌های سه‌بعدی در کنار مدل‌های زبانی و تصویری است. این رویکرد هم‌راستا با روند جهانی گسترش مدل‌های مولد چندوجهی محسوب می‌شود، که هدف آنها ترکیب داده‌های دیداری، زبانی و فضایی در تولید محتوای دیجیتال پیچیده است.