💻 computer science

Déjà View: Looping Transformers for Multi-View 3D Reconstruction

यह शोध पत्र Déjà View प्रस्तुत करता है, जो एक पैरामीटर-कुशल (parameter-efficient) 3D पुनर्निर्माण मॉडल है जो गहरे फीड-फॉरवर्ड ट्रांसफॉर्मर स्टैक्स को पुनरावर्ती रूप से लागू किए गए एक एकल लूप वाले ब्लॉक से बदल देता है, जो यह प्रदर्शित करता है कि केवल मॉडल क्षमता बढ़ाने की तुलना में स्पष्ट पुनरावृत्ति (explicit iteration), मल्टी-व्यू पुनर्निर्माण के लिए एक बेहतर इंडक्टिव बायस (inductive bias) के रूप में कार्य करती है।

मूल लेखक: Alessandro Burzio, Tobias Fischer, Sven Elflein, Qunjie Zhou, Riccardo de Lutio, Jiawei Ren, Jiahui Huang, Shengyu Huang, Marc Pollefeys, Laura Leal-Taixé, Zan Gojcic, Haithem Turki

प्रकाशित 2026-05-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alessandro Burzio, Tobias Fischer, Sven Elflein, Qunjie Zhou, Riccardo de Lutio, Jiawei Ren, Jiahui Huang, Shengyu Huang, Marc Pollefeys, Laura Leal-Taixé, Zan Gojcic, Haithem Turki

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप केवल कुछ तस्वीरों को देखकर एक कमरे के आकार का पता लगाने की कोशिश कर रहे हैं। यह 3D पुनर्निर्माण (3D reconstruction) का काम है।

लंबे समय तक, कंप्यूटर इसे एक जासूस की तरह करते थे जो कदम-दर-कदम पहेली सुलझाता है: एक विशेषता खोजो, उसे दूसरी फोटो से मिलाओ, कैमरे के कोण का अनुमान लगाओ, गणित की जांच करो और दोहराओ। यह धीमा था लेकिन विश्वसनीय था।

हाल ही में, AI मॉडलों की एक नई पीढ़ी (जिसे "ट्रांसफॉर्मर" कहा जाता है) ने यह सब एक ही बार में, एक ही "फॉरवर्ड पास" में करना शुरू कर दिया। इन नए मॉडलों को एक विशाल, अत्यंत बुद्धिमान पुस्तकालय की तरह समझें। इस पहेली को बेहतर ढंग से सुलझाने के लिए, उन्होंने बस इसमें और अधिक अलमारियां (परतें/layers) जोड़ना शुरू कर दिया। कुछ पुस्तकालयों में अब एक अरब से अधिक पैरामीटर (अलमारियां) हैं, जिससे वे अविश्वसनीय रूप से भारी, चलाने में महंगे और लोड होने में धीमे हो गए हैं।

इस शोध पत्र के लेखकों ने, DéjàView, एक सरल प्रश्न पूछा: क्या हमें वास्तव में एक अरब अलमारियों वाले पुस्तकालय की आवश्यकता है, या क्या हमारे पास केवल एक बहुत ही बुद्धिमान लाइब्रेरियन हो सकता है जो तब तक एक ही किताब को बार-बार पढ़ता रहे जब तक कि वह उसे सही ढंग से न समझ ले?

मुख्य विचार: "लूपिंग" लाइब्रेरियन

एक विशाल, एक बार के लिए बने मस्तिष्क के बजाय, DéjàView एक एकल, पुन: प्रयोज्य मस्तिष्क ब्लॉक (single, reusable brain block) का उपयोग करता है।

द लूप (The Loop): कल्पना कीजिए कि आप एक अस्त-व्यस्त कमरे को साफ करने की कोशिश कर रहे हैं। एक पारंपरिक बड़ा मॉडल एक ही विशाल, जटिल झटके में पूरे कमरे को साफ करने की कोशिश करता है। DéjàView एक ऐसे व्यक्ति की तरह है जो कमरे को देखता है, कुछ चीजें उठाता है, फिर से देखता है, कुछ और चीजें उठाता है, और इस प्रक्रिया को दोहराता है।
"K" नॉब (The "K" Knob): लेखक उस संख्या को "K" कहते हैं जितनी बार मॉडल अपने अनुमान को देखता है और उसे परिष्कृत (refine) करता है।
- यदि आपको एक त्वरित, मोटा अनुमान चाहिए, तो आप मॉडल को 2 बार लूप करने के लिए कहते हैं (तेज़, कम मेमोरी)।
- यदि आपको एक सटीक, हाई-डेफिनिशन 3D मॉडल चाहिए, तो आप इसे 16 बार लूप करने के लिए कहते हैं (धीमा, अधिक सटीक)।
- महत्वपूर्ण बात यह है कि मॉडल को अलग-अलग गति के लिए फिर से प्रशिक्षित (retrain) करने की आवश्यकता नहीं है। यह वही मॉडल है जिसमें आप गति और सटीकता के बीच संतुलन बनाने के लिए एक डायल घुमा सकते हैं।

यह कैसे काम करता है (रूपक/Metaphor)

मॉडल को एक चित्र बनाने वाले कलाकार के रूप में सोचें जो एक पोर्ट्रेट स्केच बना रहा है।

पुराना तरीका (Deep Feed-Forward): कलाकार एक ही बार में पूरा चेहरा बनाता है, लेकिन इसे एकदम सटीक बनाने के लिए उन्हें 1,000 कलाकारों की एक बड़ी टीम की आवश्यकता होती है, जिनमें से प्रत्येक ड्राइंग का एक छोटा, विशिष्ट हिस्सा करता है। इसके लिए एक बड़ी टीम और बहुत सारे पैसे लगते हैं।
DéjàView का तरीका: यह केवल एक कलाकार है। वे एक रफ आउटलाइन से शुरुआत करते हैं। फिर, वे अपने ड्राइंग को देखते हैं, महसूस करते हैं कि नाक थोड़ी गलत है, और उसे ठीक करते हैं। वे फिर से देखते हैं, आँखें ठीक करते हैं। वे तीसरी बार देखते हैं, शेडिंग को और बेहतर बनाते हैं।
- शोध पत्र इसे "डायरेक्शनल रिफाइनमेंट" (Directional Refinement) कहता है। कलाकार केवल गोल-गोल नहीं घूम रहा है; हर बार जब वे ड्राइंग को देखते हैं, तो वे अपने हाथ को अंतिम पूर्ण छवि के थोड़ा और करीब ले जाते हैं।
- मॉडल एक "टाइम डायल" का उपयोग करता है ताकि उसे पता चल सके कि वह प्रक्रिया में कितना आगे है, ताकि उसे पता चल सके कि कब बड़े बदलाव करने हैं (शुरुआत में) या सूक्ष्म सुधार करने हैं (अंत में)।

यह एक बड़ी बात क्यों है

शोध पत्र का दावा है कि यह "लूपिंग" दृष्टिकोण आश्चर्यजनक रूप से शक्तिशाली है:

छोटा लेकिन शक्तिशाली: DéjàView अपने प्रतिस्पर्धियों की तुलना में बहुत छोटा है। इसमें लगभग 117 मिलियन पैरामीटर हैं, जबकि सबसे अच्छे प्रतिस्पर्धी मॉडलों में 1 बिलियन से अधिक पैरामीटर होते हैं। यह एक विशाल सेमी-ट्रक की दौड़ में एक कॉम्पैक्ट स्पोर्ट्स कार के जीतने जैसा है।
बेहतर दक्षता: क्योंकि यह छोटा है, यह बहुत कम कंप्यूटर मेमोरी (5 GB से कम) का उपयोग करता है और सस्ते हार्डवेयर पर भी चल सकता है।
बेहतर परिणाम: छोटा होने के बावजूद, यह पांच अलग-अलग प्रकार के 3D पुनर्निर्माण परीक्षणों (इनडोर कमरे, बाहरी सड़कें, ड्राइविंग दृश्य, आदि) पर बड़े मॉडलों को पछाड़ता है या उनके बराबर प्रदर्शन करता है।
"शेयर्ड वेट" का आश्चर्य (The "Shared Weight" Surprise): लेखकों ने परीक्षण किया कि क्या यह केवल बार-बार किए गए चरणों के बारे में था। उन्होंने पाया कि एक ही मस्तिष्क ब्लॉक को खुद को दोहराने (वेट शेयरिंग) से वास्तव में 16 अलग-अलग, अद्वितीय ब्लॉकों की तुलना में बेहतर परिणाम मिले। यह सुझाव देता है कि "फिर से सोचना" एक बड़े मस्तिष्क के होने से अधिक महत्वपूर्ण है।

सीमाएं (जो शोध पत्र बताता है)

शोध पत्र इस बारे में ईमानदार है कि यह मॉडल अभी क्या नहीं कर सकता:

बटन को बहुत ज़ोर से न दबाएं: यदि आप "K" डायल को उस सीमा से आगे ले जाते हैं जिस पर इसे प्रशिक्षित किया गया था (उदाहरण के लिए, 100 लूप के लिए कहना जब इसे 16 तक प्रशिक्षित किया गया था), तो मॉडल टूटने लगता है और परिणाम खराब हो जाते हैं। यह एक व्यक्ति से किसी स्केच को 100 घंटों तक और बेहतर बनाने के लिए कहने जैसा है; अंततः, वे इसे और खराब कर सकते हैं।
डायनामिक सीन (Dynamic Scenes): यह वर्तमान में स्थिर दृश्यों (ऐसी चीजें जो हिल नहीं रही हैं) के लिए सबसे अच्छा काम करता है। यह अभी तक चलते हुए लोगों या कारों को स्पष्ट रूप से हैंडल नहीं करता है।

सारांश

DéjàView तस्वीरों से 3D मॉडल बनाने का एक नया तरीका है। एक विशाल, महंगी AI बनाने के बजाय जो एक ही बड़े कदम में पहेली को सुलझाने की कोशिश करती है, यह एक छोटी, कुशल AI का उपयोग करता है जो कुछ कदम उठाती है, अपने काम की जांच करती है, और प्रक्रिया को दोहराती है। यह एक "कम ही अधिक है" (less is more) वाला दृष्टिकोण है जो यह साबित करता है कि दुनिया को 3D में देखने के लिए आपको एक अरब पैरामीटर की आवश्यकता नहीं है; आपको बस एक ऐसे मॉडल की आवश्यकता है जो दोहराव (iterate) करना जानता हो।

तकनीकी सारांश: DéjàView – मल्टी-व्यू 3D पुनर्निर्माण के लिए लूपिंग ट्रांसफॉर्मर्स

समस्या विवरण

पारंपरिक मल्टी-व्यू 3D पुनर्निर्माण (reconstruction) फीचर मैचिंग, पोज़ एस्टीमेशन और बंडल एडजस्टमेंट से जुड़ी इटरेटिव स्ट्रक्चर-फ्रॉम-मोशन (SfM) पाइपलाइनों पर निर्भर करता है। हालिया प्रगति ने फीड-फॉरवर्ड ट्रांसफॉर्मर की ओर रुख किया है जो एक ही पास में 3D ज्योमेट्री को रिग्रेस (regress) करते हैं। हालाँकि, ये अत्याधुनिक मॉडल एक बिलियन से अधिक पैरामीटर्स तक स्केल हो गए हैं, जो कंप्यूटर विज़न में बढ़ती मॉडल क्षमता के रुझान का अनुसरण करते हैं।

लेखक यह तर्क देते हैं कि इन बड़े ट्रांसफॉर्मर्स में गहराई (depth) से होने वाले प्रदर्शन लाभ संभवतः अद्वितीय प्रतिनिधि क्षमता (unique representational capacity) के बजाय निहित इटरेटिव रिफाइनमेंट (implicit iterative refinement) से उत्पन्न होते हैं। साक्ष्य बताते हैं कि निरंतर (contiguous) ट्रांसफॉर्मर लेयर्स अक्सर समान ऑपरेशन्स के बार-बार अनुप्रयोग के रूप में व्यवहार करती हैं, और डिकोडर लेयर्स भविष्यवाणियों को क्रमिक रूप से परिष्कृत (refine) करती हैं। वर्तमान आर्किटेक्चर इस "इटरेशन" के लिए हर लेयर के लिए अद्वितीय पैरामीटर्स का उपयोग करके अक्षमता से भुगतान करते हैं। यह शोध पत्र एक ऐसे आर्किटेक्चर की आवश्यकता को संबोधित करता है जो इस इटरेटिव प्रक्रिया को स्पष्ट (explicit) बनाता है, जिससे कम पैरामीटर्स के साथ उच्च-गुणवत्ता वाला पुनर्निर्माण संभव होता है और इन्फरेंस के समय कंप्यूट को सटीकता के साथ बदलने (trade) की क्षमता मिलती है।

कार्यप्रणाली (Methodology): DéjàView

मुख्य आर्किटेक्चर

DéjàView गहरे, फीड-फॉरवर्ड ट्रांसफॉर्मर स्टैक को $K$ बार पुनरावर्ती रूप से (recurrently) लागू किए जाने वाले एक एकल लूप वाले ट्रांसफॉर्मर ब्लॉक (single looped transformer block) से बदल देता है।

आरंभीकरण (Initialization): प्री-ट्रेन्ड DINOv2 एनकोडर का उपयोग करके प्रति-व्यू फीचर्स को इनिशियलाइज़ किया जाता है। लर्नबल रजिस्टर टोकन्स और कैमरा टोकन्स को टोकन सीक्वेंस के आगे जोड़ा जाता है।
पुनरावर्ती लूप (Recurrent Loop): विकसित होते स्टेट $z_k$ $z_{k}$ पर एक एकल साझा (shared) ट्रांसफॉर्मर ब्लॉक को $K$ $K$ बार लागू किया जाता है। ब्लॉक में दो अटेंशन सब-ब्लॉक्स शामिल हैं:
- फ्रेम अटेंशन (Frame Attention): 2D रोटरी पोजीशनल एम्बेडिंग्स का उपयोग करके प्रत्येक व्यू को स्वतंत्र रूप से प्रोसेस करता है।
- ग्लोबल अटेंशन (Global Attention): सभी व्यूज के सभी टोकन्स के संयुक्त अनुक्रम (joint sequence) पर कार्य करता है, जिससे क्रॉस-व्यू रीजनिंग सक्षम होती है।
टाइम कंडीशनिंग (Time Conditioning): पिछले वेट-टाइड ट्रांसफॉर्मर्स के विपरीत, जो डिस्क्रीट स्टेप इंडेक्स पर कंडीशन होते हैं, DéjàView ब्लॉक को एक निरंतर समय अंतराल $(t_k, t_{k+1})$ पर कंडीशन करता है। अपडेट को इस प्रकार सूत्रित किया गया है:
$z_{k+1} = f_\theta(z_k, t_k, t_{k+1})$
यह एक ही सेट के वेट्स को बिना रिट्रेनिंग के स्टेप काउंट $K$ की एक रेंज को कवर करने की अनुमति देता है।
गेटेड अपडेट्स (Gated Updates): ब्लॉक चैनल-वाइज स्केल वेक्टर्स ( $s_{attn}, s_{mlp}, s_{out}$ ) का उपयोग करता है जो टाइम इंटरवल द्वारा नियंत्रित एक ज़ीरो-इनिशियलाइज्ड MLP द्वारा संचालित होते हैं। यह डिज़ाइन अटेंशन, MLP और रेसिडुअल स्ट्रीम अपडेट्स को मॉड्युलेट करता है।

प्रशिक्षण रणनीति (Training Strategy)

वेरिएबल- $K$ ट्रेनिंग: प्रशिक्षण के दौरान, प्रति बैच $K$ की संख्या को $[K_{min}, K_{max}]$ (जैसे, $[8, 16]$ ) तक स्केल किए गए बीटा वितरण से सैंपल किया जाता है। यह एक सिंगल चेकपॉइंट बनाता है जो एक "कंप्यूट नॉब" (compute knob) के रूप में कार्य करता है।
लॉस फंक्शन (Loss Function): मॉडल को पांच लॉस टर्म्स: डेप्थ, रेज़, वर्ल्ड पॉइंट्स और कैमरा पैरामीटर्स का उपयोग करके सीधे अनुमानित ज्योमेट्री पर सुपरवाइज किया जाता है। $\ell_2$ और $\ell_1$ लॉस की गणना करने से पहले भविष्यवाणियों को इनवर्स स्केल फैक्टर्स के माध्यम से नॉर्मलाइज़ किया जाता है।
दो-चरणीय डेप्थ ट्रेनिंग (Two-Stage Depth Training):
- चरण 1: एक लीनियर पिक्सेल-शफल डेप्थ हेड और प्लेन $\ell_2$ लॉस के साथ एंड-टू-एंड ट्रेनिंग।
- चरण 2: पैच-बाउंड्री आर्टिफैक्ट्स को समाप्त करने के लिए डेप्थ हेड को एक कनवल्शनल हेड से बदल दिया जाता है, और अन्य पैरामीटर्स को फ्रीज़ करते हुए कॉन्फिडेंस-वेटेड लॉस के साथ नेटवर्क को फाइन-ट्यून किया जाता है।

इन्फरेंस (Inference)

इन्फरेंस के समय, उपयोगकर्ता एक स्टेप काउंट $K_{inf}$ चुनता है। मॉडल एकल साझा ब्लॉक को $K_{inf}$ बार चलाता है। यदि $K_{inf}$ प्रशिक्षित रेंज $[K_{min}, K_{max}]$ के भीतर है, तो मॉडल उच्च सटीकता बनाए रखता है; यदि $K_{inf}$ को प्रशिक्षित बजट से काफी आगे धकेला जाता है, तो प्रदर्शन गिर जाता है।

डायनेमिक्स पर मुख्य अवलोकन

लेखक पुनरावृत्ति (recurrence) को डायरेक्शनल रिफाइनमेंट (directional refinement) के रूप में वर्णित करते हैं। स्टेट फीचर स्पेस में एक फिक्स्ड पॉइंट की ओर अभिसरित (converge) नहीं होता है (नोर्म $\|z_k\|$ निरंतर बढ़ता है)। इसके बजाय, स्टेट वेक्टर की दिशा स्थिर हो जाती है, जिसमें फाइनल स्टेट के साथ कोसाइन सिमिलरिटी 1 के करीब पहुँच जाती है और रिलेटिव अपडेट नोर्म काफी कम हो जाता है। यह डिकोडर (जो प्री-नॉर्म का उपयोग करता है) को नोर्म ग्रोथ को सोखने की अनुमति देता है जबकि डिकोडेड रिप्रेजेंटेशन दिशा में अभिसरित होता है।

मुख्य योगदान

DéjàView मॉडल: एक लूपिंग ट्रांसफॉर्मर आर्किटेक्चर जो DINOv2-इनिशियलाइज्ड फीचर्स पर निरंतर टाइम इंटरवल्स द्वारा कंडीशन किए गए एकल साझा ब्लॉक को पुनरावर्ती रूप से लागू करता है।
वेरिएबल- $K$ ट्रेनिंग रेसिपी: एक विधि जो एक सिंगल चेकपॉइंट को प्रशिक्षित करती है जो इन्फरेंस स्टेप काउंट की एक रेंज को सपोर्ट करती है, जिससे रिट्रेनिंग के बिना कंप्यूट को एक ट्यूनेबल नॉब के रूप में एक्सपोज़ किया जाता है।
स्टेट-ऑफ-द-आर्ट एफिशिएंसी: मॉडल पांच बेंचमार्क (इंडोर, आउटडोर, ऑब्जेक्ट-सेंट्रिक, ड्राइविंग) में प्रतिस्पर्धी या बेहतर पुनर्निर्माण गुणवत्ता प्राप्त करता है, जो बहुत बड़े फीड-फॉरवर्ड बेसलाइन्स की तुलना में बहुत कम पैरामीटर्स और तुलनीय या कम कंप्यूट का उपयोग करता है।
इंडक्टिव बायस वैलिडेशन: प्रयोगों से पता चलता है कि वेट-शेयरिंग वाला फॉर्मूलेशन स्वतंत्र प्रति-स्टेप पैरामीटर्स वाले समान वेरिएंट की तुलना में बेहतर प्रदर्शन करता है, जो यह सुझाव देता है कि मल्टी-व्यू 3D पुनर्निर्माण के लिए स्पष्ट इटरेशन, पैरामीटर स्केलिंग की तुलना में एक मजबूत इंडक्टिव बायस है।

प्रयोगात्मक परिणाम

पेपर DTU, ETH3D, 7-Scenes, ScanNet++, और nuScenes जैसे पांच बेंचमार्क पर DéjàView का मूल्यांकन करता है।

सटीकता (Accuracy): DéjàView पॉइंटमैप सटीकता (रिलेटिव $\ell_2$ और इनलियर रेश्यो) और कैमरा पोज़ सटीकता (AUC@3° और AUC@30°) में काफी बड़े मॉडल्स (जैसे, VGGT-1B, Pi3, DA3-G) की बराबरी करता है या उनसे बेहतर प्रदर्शन करता है। उदाहरण के लिए, ScanNet++ पर, यह AUC@3° में VGGT- $\Omega$ -1B से लगभग 50 अंक से अधिक बेहतर है।
दक्षता (Efficiency):
- पैरामीटर्स: DéjàView 117M पैरामीटर्स का उपयोग करता है, जबकि बेसलाइन्स 356M से लेकर 1.2B से अधिक तक हैं।
- कंप्यूट: इसे 24 व्यूज के लिए 75.9 TFLOPs की आवश्यकता होती है, जो 2–10x अधिक कंप्यूट की आवश्यकता वाले बेसलाइन्स के बराबर या उससे कम है।
- मेमोरी: A100 पर पीक इन्फरेंस मेमोरी 5 GiB से कम है, जो कई बेसलाइन्स की तुलना में काफी कम है।
एब्लेशन स्टडीज (Ablation Studies):
- केवल वेट शेयरिंग ही स्वतंत्र ब्लॉक की तुलना में प्रदर्शन में सुधार करती है, भले ही इसमें 16x कम पैरामीटर्स हों।
- टाइम-कंडीशन्ड रेसिडुअल गेट्स और स्टेट गेट्स मोनोटोनिक सुधार प्रदान करते हैं।
- वेरिएबल- $K$ ट्रेनिंग, समान इन्फरेंस बजट पर फिक्स्ड- $K$ प्रदर्शन के साथ ~2-3% के भीतर मेल खाती है, जो सिंगल-चेकपॉइंट फ्लेक्सिबिलिटी को प्रमाणित करती है।

महत्व और दावे

पेपर दावा करता है कि पैरामीटर स्केलिंग 3D पुनर्निर्माण के लिए एकमात्र रास्ता नहीं है। एक साझा, टाइम-कंडीशन्ड लूप के माध्यम से इटरेटिव रिफाइनमेंट को स्पष्ट बनाकर, DéjàView प्रदर्शित करता है कि:

इटरेशन को स्पष्ट किया जा सकता है: गहरे नेटवर्क के लाभों को एक साझा ब्लॉक को पुन: उपयोग करके प्राप्त किया जा सकता है, जिससे अद्वितीय लेयर पैरामीटर्स की रेडंडेंसी से बचा जा सकता है।
कंप्यूट एक नॉब है: एक सिंगल मॉडल रिट्रेनिंग के बिना विभिन्न इन्फरेंस बजट (लेटेंसी/एक्यूरेसी ट्रेड-ऑफ) के अनुकूल हो सकता है।
शेयर्ड वेट्स श्रेष्ठ हैं: शेयर्ड-वेट फॉर्मूलेशन एक मजबूत इंडक्टिव बायस के रूप में कार्य करता है, जो यह सुझाव देता है कि वर्तमान SOTA मॉडल्स में "डेप्थ" काफी हद तक इटरेटिव रिफाइनमेंट का एक प्रॉक्सी है न कि अद्वितीय प्रतिनिधि क्षमता का।

लेखक सीमाओं को नोट करते हैं: मॉडल अपने प्रशिक्षित स्टेप रेंज ( $K_{max}$ ) से बाहर अच्छी तरह से एक्सट्रपलेशन (extrapolate) नहीं करता है, और यह डायनेमिक सीन्स को स्पष्ट रूप से हैंडल नहीं करता है। हालांकि, यह कार्य स्थापित करता है कि वर्तमान फीड-फॉरवर्ड दिग्गजों की तुलना में बहुत कम कम्प्यूटेशनल लागत और मॉडल आकार के साथ उच्च-गुणवत्ता वाला मल्टी-व्यू पुनर्निर्माण प्राप्त किया जा सकता है।