একটি 3D দৃশ্য পুনর্গঠন করতে আগে শত শত সাবধানে ধরা ছবি, মহঙ্গা সরঞ্জাম এবং একটি স্বাস্থ্যকর পরিমাণে ধৈর্য্য প্রয়োজন হত। স্ট্যানফোর্ড AI-এর বিখ্যাত ব্যক্তি ফেই-ফেই লি দ্বারা প্রতিষ্ঠিত স্পেশিয়াল ইনটেলিজেন্স কোম্পানি ওয়ার্ল্ড ল্যাবস এখন এই কাজকে শুধুমাত্র দুই বা তিনটি স্ন্যাপশটে সংকুচিত করেছে।
কোম্পানির নতুন মডেল, যার নাম অ্যাটলাস, একটি প্রি-ট্রেনড মাল্টিমোডাল অটোরিগ্রেসিভ ডিফিউশন ট্রান্সফরমার। সহজ ভাষায়: এটি একটি এআই সিস্টেম যা টেক্সট, ইমেজ, ভিডিও এবং 3D ডেটা একসাথে বুঝতে পারে এবং এই বোঝাপড়ার ভিত্তিতে ক্যামেরা যা ধরে নেয়নি তা পূরণ করতে পারে। ফলাফল হলো পূর্ণ 3D দৃশ্য পুনর্গঠন, নতুন দৃশ্য সংশ্লেষণ, এবং ক্যামেরা-নিয়ন্ত্রিত ভিডিও জেনারেশন, সবকিছুই ন্যূনতম ইনপুট থেকে।
এটালাস বাস্তবে কী করে
অ্যাটলাস স্পেশিয়াল ইন্টেলিজেন্সের জন্য ওয়ার্ল্ড ল্যাবস যা একটি “অম্নি ওয়ার্ল্ড মডেল” বলে ডাকে, তার মাধ্যমে কাজ করে। এটিকে এক থেকে ছয়টি রেফারেন্স ইমেজ দিন, এবং এটি আপনি নির্দিষ্ট করা পথের সঠিক ক্যামেরা নিয়ন্ত্রণ বজায় রেখে 1440p রেজোলিউশনে এক মিনিট পর্যন্ত ভিডিও তৈরি করতে পারে।
3D পুনর্গঠনের ক্ষমতাই হল যেখানে জিনিসগুলি সত্যিই অসাধারণ হয়ে উঠে। প্রচলিত ফটোগ্রামমেট্রি পাইপলাইনগুলি সাধারণত 100 থেকে 300+ ছবির প্রয়োজন হয়, যা সাবধানে পরিকল্পিত কোণগুলি থেকে তোলা হয়, একটি ব্যবহারযোগ্য 3D মডেল তৈরি করতে। অ্যাটলাস এই প্রয়োজনীয়তাকে শুধুমাত্র দুই বা তিনটি ইনপুট ছবিতে কমিয়ে আনে, যা কোম্পানিটির বর্ণনা অনুযায়ী অসাধারণ স্পষ্টতা সহ পয়েন্ট ক্লাউড এবং গাউসিয়ান স্প্ল্যাটসের মতো স্পষ্ট 3D প্রতিনিধিত্ব তৈরি করে।
DTU এবং ETH3D সহ স্পার্স-ভিউ 3D পুনর্গঠন বেঞ্চমার্কগুলিতে, অ্যাটলাস একটি গড় পরম-আপেক্ষিক পয়েন্টম্যাপ ত্রুটি 25.3 পোস্ট করেছে। এর সবচেয়ে কাছাকাছি ওপেন-সোর্স প্রতিদ্বন্দ্বী 28.7 স্কোর করেছে।
ওয়ার্ল্ড ল্যাবসের সহ-প্রতিষ্ঠাতারা নতুন দৃশ্য পূর্বানুমানকে "স্থানিক বুদ্ধিমত্তার জন্য একটি এআই-পূর্ণ প্রাইমিটিভ" হিসেবে বর্ণনা করেন। অর্থাৎ, আপনি যে কোণগুলি কখনও ফটোগ্রাফ করেননি, সেখান থেকে দৃশ্যটি কীভাবে দেখায় তা কল্পনা করার ক্ষমতা হল একটি মৌলিক ক্ষমতা, যা রোবোটিক্স নেভিগেশন থেকে ভিজুয়াল ইফেক্টস পাইপলাইন পর্যন্ত সবকিছুকে খুলে দেয়।
মানুষের রায়
ক্যামেরা নিয়ন্ত্রণের গুণগত মূল্যায়নের জন্য প্রতিষ্ঠিত ভোক্তা পরীক্ষায়, মানব রেটাররা ৭৫% থেকে ৯৪% সময় প্রতিদ্বন্দ্বী মডেলগুলির চেয়ে অ্যাটলাসকে পছন্দ করেছে।
অ্যাটলাস ডাইনামিক স্পেস-টাইম সিমুলেশন, বিশেষ করে বুলেট-টাইম ইফেক্টকেও সমর্থন করে। ম্যাট্রিক্স থেকে পরিচিত ধীরগতির ঘূর্ণায়মান ক্যামেরা মুভটিকে ভাবুন, কিন্তু এটি সিঙ্ক্রোনাইজড ক্যামেরার জটিল সেটআপ দিয়ে নয়, বরং এআই দ্বারা তৈরি।
মডেলটি এই সবকিছুকে একটি একীভূত স্থানিক প্রসঙ্গের মধ্যে পরিচালনা করে। ভিডিও জেনারেশন, 3D পুনর্গঠন এবং নতুন দৃশ্য সংশ্লেষণের জন্য আলাদা টুলগুলি জোড়া দেওয়ার পরিবর্তে, অ্যাটলাস এই ফাংশনগুলিকে একটি একক সিস্টেমে একীভূত করে।
ল্যাব থেকে সীমিত প্রকাশ
২০২৪ সালে কোম্পানির প্রতিষ্ঠার থেকেই ওয়ার্ল্ড ল্যাবস এই মুহূর্তের দিকে এগিয়ে চলেছে। শুরু থেকেই এই স্টার্টআপটি উল্লেখযোগ্য মনোযোগ আকর্ষণ করেছে, মূলত লির আধুনিক কম্পিউটার দৃষ্টির নির্মাতাদের মধ্যে একজন হিসাবে পরিচিতির কারণে। তার ইমেজনেট ডেটাসেট এবং সংশ্লিষ্ট চ্যালেঞ্জগুলি একদশকেরও বেশি সময় আগে ডিপ লার্নিং বিপ্লবকে উদ্দীপিত করতে কেন্দ্রীয় ভূমিকা পালন করেছিল।
অ্যাটলাসকে ১ সেপ্টেম্বর, ২০২৬-এ ঘোষণা করা হয়েছিল এবং বর্তমানে এটি কিছু নির্বাচিত পার্টনারদের জন্য প্রাথমিক অ্যাক্সেস পর্যায়ে প্রবেশ করছে। ওয়ার্ল্ড ল্যাবস এখনও মডেলের ওজন বা কোডটি পাবলিকভাবে প্রকাশ করেনি, এখনও পর্যন্ত প্রযুক্তিটিকে নিয়ন্ত্রিত অ্যাক্সেসের পিছনে রেখেছে।