A geração de malhas é uma ferramenta importante com aplicações em diversos campos, como computação gráfica e animação, design auxiliado por computador (CAD) e realidade virtual e aumentada. Dimensionar a geração de malha para converter imagens simplificadas em alta resolução requer uma grande quantidade de poder de processamento e memória. Além disso, manter dados complexos enquanto gerencia recursos contábeis é um desafio. Em particular, modelos com mais de 8.000 faces em sua estrutura 3D representam um grande desafio. Para lidar com esses problemas, pesquisadores da Universidade de Tecnologia do Sul da China, da Universidade ShanghaiTech, da Universidade de Hong Kong e
A Tencent Hunyuan desenvolveu a estrutura de Tokenização Bloqueada e Patchificada (BPT), que marca um grande avanço em vários setores que exigem a produção de uma malha escalonável. A estrutura BPT visa alcançar alta confiabilidade nos resultados de desempenho computacional.
Os métodos comuns de geração de malha incluem triangulação de Delaunay, otimização heurística e vários modelos de aprendizado de máquina. Para gerar uma malha com sucesso, esses modelos convencionais sacrificam detalhes ou resolução ao trabalhar com grandes conjuntos de dados devido a problemas de memória que comprometem a confiabilidade do projeto. BPT é uma nova estrutura que transforma o problema de geração de malha em uma estrutura baseada em tokens. Tokens mais amplos podem armazenar informações estruturais importantes e, ao mesmo tempo, reduzir o tamanho dos dados da malha. Além disso, a geração baseada em token é muito rápida e processa rapidamente dados de malha em grande escala, mantendo alta fidelidade.
Primeiro, o BPT divide a grande malha em blocos menores e gerenciáveis, que são convertidos em tokens. Esses tokens representam vários recursos importantes da malha. Blocos semelhantes foram agrupados como gráficos para reduzir ainda mais o tamanho dos nossos dados. A próxima etapa envolve alimentar esses dados reduzidos para uma rede neural baseada em transformador, que gera iterativamente uma malha 3D. Concentrar-se em recursos de token em vez de dados brutos reduz o uso de memória e melhora a velocidade de processamento sem sacrificar a confiabilidade.
O BPT consegue uma redução no comprimento da sequência de cerca de 75% em relação à sequência original, possibilitando assim o processamento de malhas com mais de 8.000 faces. Esta redução significativa no volume de dados permite a criação de modelos 3D mais detalhados e meteorologicamente precisos. O trabalho mostra uma melhoria significativa na velocidade e precisão em técnicas avançadas. Na verdade, isso não tem limites: o estudo pode buscar maior validação do método para um grande conjunto de conjuntos de dados 3D e causar desafios relacionados à sua integração direta com fluxos de trabalho existentes, sem custos computacionais significativos em termos de treinamento neural. a rede.
Este projeto de pesquisa apresenta uma nova forma de criar malhas, resolvendo difíceis problemas de escalabilidade com novas técnicas. O BPT marca o surgimento de avanços significativos na análise de modelos tridimensionais de alta resolução. Seu impacto é de longo alcance porque tem o potencial de mudar indústrias que dependem de modelagem e simulação 3D detalhadas. Mais pesquisas poderiam torná-lo mais adequado para uma série de aplicações e reduzir quaisquer barreiras identificadas. Este trabalho foi um marco importante na geometria computacional e forneceu novos caminhos para habilidades avançadas em modelagem 3D.
Confira Papel. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Se você gosta do nosso trabalho, você vai gostar do nosso jornal.. Não se esqueça de participar do nosso SubReddit de 55k + ML.
🎙️ 🚨 'Avaliação de vulnerabilidade de um grande modelo de linguagem: uma análise comparativa dos métodos da Cruz Vermelha' Leia o relatório completo (Promovido)
Afeerah Naseem é estagiária de consultoria na Marktechpost. Ele está cursando bacharelado em tecnologia no Instituto Indiano de Tecnologia (IIT), Kharagpur. Ele é apaixonado por Ciência de Dados e fascinado pelo papel da inteligência artificial na resolução de problemas do mundo real. Ele adora descobrir novas tecnologias e explorar como elas podem tornar as tarefas diárias mais fáceis e eficientes.
🧵🧵 [Download] Avaliação do relatório do modelo de risco linguístico principal (ampliado)
