3D منظر کو دوبارہ تعمیر کرنے کے لیے پہلے سینکڑوں دقت سے لی گئی تصاویر، مہنگے اوزار، اور بہت زیادہ صبر کی ضرورت ہوتی تھی۔ ورلڈ لیبس، جو اسٹینفورڈ AI کے بانی فی فی لی کے ساتھ مشترکہ طور پر قائم کیا گیا ہے، نے اب اس عمل کو صرف دو یا تین تصاویر میں کم کر دیا ہے۔
کمپنی کا نیا ماڈل، جس کا نام ایٹلس ہے، ایک پری ٹرینڈ متعدد ماڈل آٹو ریگریسیو ڈفیوژن ٹرانسفارمر ہے۔ سادہ الفاظ میں: یہ ایک AI سسٹم ہے جو متن، تصاویر، ویڈیو اور 3D ڈیٹا کو ایک ساتھ سمجھتا ہے، اور اس سمجھ کا استعمال کرتے ہوئے وہ تمام چیزیں بھر سکتا ہے جو کیمرے نے کیپچر نہیں کیا۔ نتیجہ مکمل 3D منظر کی دوبارہ تعمیر، نئے منظر کا تخلیق، اور کیمرہ کنٹرولڈ ویڈیو جنریشن ہے، جو کم سے کم ان پٹ سے حاصل ہوتا ہے۔
اتلاس در اصل کیا کرتا ہے
اتلس کو ورلڈ لیبس کے مطابق "اومنی ورلڈ ماڈل" کہا جاتا ہے جو فضائی بُدھی کے لیے کام کرتا ہے۔ اسے ایک سے لے کر چھ ریفرنس تصاویر دیں، اور یہ آپ کے مخصوص طریقوں کے ساتھ درست کیمرہ کنٹرول کے ساتھ 1440p ریزولوشن پر ایک منٹ تک ویڈیو جنریٹ کر سکتا ہے۔
3D ریکنسٹرکشن کی صلاحیت وہ جگہ ہے جہاں چیزیں حقیقت میں حیرت انگیز ہو جاتی ہیں۔ روایتی فوٹوگرامٹری پائپ لائن عام طور پر ایک قابل استعمال 3D ماڈل بنانے کے لیے 100 سے 300+ تصاویر کی ضرورت ہوتی ہے جو دلچسپ طریقے سے منصوبہ بند کیے گئے زاویوں سے لی گئی ہوں۔ ایٹلس اس ضرورت کو صرف دو یا تین ان پٹ تصاویر تک کم کر دیتا ہے، اور اس کمپنی کے مطابق نمایاں درستگی کے ساتھ پوائنٹ کلاؤڈز اور گاوسین اسپلٹس جیسے واضح 3D نمائشیں پیدا کرتا ہے۔
کم دیکھنے والے 3D ریکنسٹرکشن بینچ مارکس، جن میں DTU اور ETH3D شamil ہیں، ایٹلس نے 25.3 کا مطلب مطلق-نسبی پوائنٹ میپ خطا درج کیا۔ اس کا قریب ترین اوپن سورس مقابلہ کرنے والا 28.7 پر رہا۔
وورلڈ لیبس کے ماندگاروں نے نیا منظر پیشگوئی کو "مکانی ذہانت کے لیے ایک AI-مکمل بنیادی عنصر" کہا ہے۔ ترجمہ: اس بات کی صلاحیت کہ آپ ایک منظر کو اس کے ایسے زاویوں سے تصور کریں جنہیں آپ نے کبھی فوٹو نہیں لیا، ایک بنیادی صلاحیت ہے جو روبوٹکس نیویگیشن سے لے کر ویژول افیکٹس پائپ لائن تک کے تمام پہلوؤں کو کھولتی ہے۔
انسانی فیصلہ
صارف ٹیسٹس میں کیمرہ کنٹرول کی معیار کی تشخیص کے دوران، انسانی ریٹرز نے 75 فیصد سے 94 فیصد وقت تک ایٹلس کو مقابلہ کرنے والے ماڈلز سے ترجیح دی۔
اتلس متحرک فضا-وقت کی محاکات، جیسے کہ بولیٹ-ٹائم اثرات کو بھی سپورٹ کرتا ہے۔ میٹرکس سے مشہور سلو موشن رٹیٹنگ کیمرہ موو کو سوچیں، لیکن یہ ایک مزیدار سنکرونائزڈ کیمرہ سیٹ اپ کے بجائے AI سے تخلیق کیا گیا ہے۔
یہ ماڈل یہ سب کچھ ایک یکجا فضائی سیاق میں سنبھالتا ہے۔ ویڈیو جنریشن، 3D ریکنسٹرکشن، اور نئے منظر کے تخلیق کے لیے الگ الگ ٹولز کو جوڑنے کے بجائے، ایٹلس یہ تمام فنکشنز ایک ہی سسٹم میں اکٹھا کرتا ہے۔
لیب سے محدود جاری کریں
ورلڈ لیبز نے 2024 میں کمپنی کے قیام سے ہی اس لمحے کی طرف کام کیا ہے۔ شروع سے ہی اس اسٹارٹ اپ کو زبردست توجہ حاصل ہوئی، جس کا بنیادی سبب لی کا جدید کمپیوٹر ویژن کے ڈیزائنرز میں سے ایک ہونا تھا۔ ان کا امیج نیٹ ڈیٹا سیٹ اور متعلقہ چیلنجز نے تقریباً دس سال پہلے ڈیپ لرننگ انقلاب کو فروغ دینے میں مرکزی کردار ادا کیا تھا۔
اتلس کا اعلان 1 ستمبر، 2026 کو کیا گیا، اور اب یہ منتخب شراکت داروں کے لیے ابتدائی رسائی مرحلے میں داخل ہو چکا ہے۔ ورلڈ لیبس نے اب تک ماڈل کے وزن یا کوڈ کو عوامی طور پر جاری نہیں کیا ہے، اور اب تک ٹیکنالوجی کو محدود رسائی والی دیوار کے پیچھے رکھا گیا ہے۔