🤖 AI

OrbitForge: Text-to-3D Scene Generation via Reconstruction-Anchored Video Synthesis

ऑर्बिटफोर्ज (Orbit-Forge) एक नवीन एडेप्टर है जो एकल जनित वीडियो को बिना किसी कार्य-विशिष्ट फाइन-ट्यूनिंग या प्रगतिशील दृश्य पीढ़ी की आवश्यकता के, फ्रोजन टेक्स्ट-टू-वीडियो प्रायर्स (priors) और एक इटरेटिव रिकंस्ट्रक्शन-एंकोर्ड ऑप्टिमाइज़ेशन प्रक्रिया का लाभ उठाकर सुसंगत, पूर्ण-ऑर्बिट 3D गॉसियन स्प्लेटिंग दृश्यों में परिवर्तित करता है।

मूल लेखक: Chenrui Fan, Paolo Favaro

प्रकाशित 2026-06-24

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chenrui Fan, Paolo Favaro

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

यहाँ OrbitForge पेपर का सरल भाषा में अनुवाद दिया गया है, जिसमें रचनात्मक उपमाओं (analogies) का उपयोग किया गया है।

बड़ी समस्या: वह "जादुई कैमरा" जो झूठ बोलता है

कल्पना कीजिए कि आपके पास एक जादुई कैमरा है जो एक अकेले वाक्य (जैसे "एक चट्टान पर बैठा लाल ड्रैगन") से तुरंत उसका एक सुंदर वीडियो बना सकता है। आज का AI इसमें बहुत माहिर है; वीडियो असली दिखता है, लाइटिंग अच्छी है, और ड्रैगन भी भयानक दिखता है।

लेकिन एक पेच है: यह वीडियो 3D स्पेस के मामले में एक "झूठा" है।

कैमरा भटक जाता है (The Camera Drifts): कैमरा अचानक ज़ूम इन या ज़ूम आउट हो सकता है, या कैमरा एंगल ऐसे बदल सकता है जो ज्यामितीय (geometric) रूप से सही नहीं लगता।
ड्रैगन बदल जाता है (The Dragon Changes): जैसे-जैसे वीडियो चलता है, ड्रैगन अचानक एक नई पूंछ उगा सकता है, अपना रंग बदल सकता है, या जिस चट्टान पर वह बैठा है वह गायब हो सकती है।
पीछे का हिस्सा गायब है (The Missing Back): वीडियो आमतौर पर ड्रैगन का केवल सामने का हिस्सा दिखाता है। यह वास्तव में पीछे की ओर घूमकर उसे कभी नहीं दिखाता।

यदि आप इस वीडियो को 3D मॉडल (एक डिजिटल वस्तु जिसे आप चारों ओर से देख सकें) में बदलने की कोशिश करते हैं, तो परिणाम एक गड़बड़ बन जाता है। ड्रैगन एक धुंधला, तैरता हुआ भूत बन जाता है क्योंकि कंप्यूटर को यह नहीं पता होता कि वीडियो के कौन से हिस्से "असली" 3D तथ्य हैं और कौन से हिस्से केवल AI का भ्रम (hallucination) हैं।

समाधान: OrbitForge (एक "वास्तुकार और ठेकेदार")

लेखकों ने OrbitForge बनाया है, एक नया तरीका जो इन बिखरे हुए, झूठ बोलने वाले वीडियो को एक ठोस, चलने-फिरने योग्य 3D दुनिया में बदल देता है। वे इसे AI को नए तरीके सिखाए बिना या उसे फिर से प्रशिक्षित (retrain) किए बिना करते हैं। इसके बजाय, वे एक निर्माण स्थल का प्रबंधन करने वाले एक स्मार्ट वास्तुकार (architect) की तरह काम करते हैं।

यहाँ "घर के नवीनीकरण" (House Renovation) की उपमा का उपयोग करते हुए चरण-दर-चरण प्रक्रिया दी गई है:

1. कच्चा मसौदा (पहला पुनर्निर्माण - The Rough Draft)

सबसे पहले, OrbitForge उस बिखरे हुए AI वीडियो को लेता है और तुरंत उसका 3D मॉडल बनाने की कोशिश करता है।

उपमा: कल्पना कीजिए कि एक ठेकेदार एक हिलते-डुलते, धुंधले स्केच के आधार पर घर बनाने की कोशिश कर रहा है। परिणाम एक डगमगाता हुआ, आधा बना हुआ ढांचा है। यह एकदम सही नहीं है, लेकिन यह पहली बार है जब ठेकेदार ने उस बिखरे हुए स्केच को एक साझा 3D स्पेस (नक्शे) में व्यवस्थित किया है।
पेपर का दावा: यह "डगमगाता हुआ" मॉडल वास्तव में उपयोगी है। यह अराजकता को एक साझा 3D स्पेस में व्यवस्थित करता है, भले ही दीवारें टेढ़ी-मेढ़ी हों।

2. "मीडियन" फ़िल्टर (घर को स्थिर करना - The Median Filter)

वीडियो में "भूत" (आकार बदलता हुआ ड्रैगन) हैं। OrbitForge MedianGS नामक तकनीक का उपयोग करता है।

उपमा: कल्पना कीजिए कि ठेकेदार हर कोण से उस डगमगाते घर को देखता है। वह पूछता है, "दीवार का सबसे सामान्य आकार क्या है?" यदि दीवार लाल, नीले और हरे रंग के बीच झपकी ले रही है, तो वह उस रंग को चुनता है जो सबसे अधिक बार दिखाई देता है और अजीब चमक (flashes) को अनदेखा कर देता है।
परिणाम: वे एक "Static Proxy" बनाते हैं—घर का एक स्थिर, जमा हुआ संस्करण जो झपकी और अजीब आकार परिवर्तनों को हटा देता है। यह Anchor (लंगर) बन जाता है।

3. गैप विश्लेषण (गायब कमरों को खोजना - The Gap Analysis)

अब, OrbitForge इस स्थिर 3D मॉडल को देखता है और पूछता है: "क्या मैं इसके चारों ओर पूरा घूम सकता हूँ?"

उपमा: आप घर के चारों ओर घूमते हैं। आप सामने का हिस्सा, बायां हिस्सा और दायां हिस्सा देखते हैं। लेकिन जब आप पीछे जाने की कोशिश करते हैं, तो आप कोहरे की दीवार से टकरा जाते हैं। AI वीडियो ने कभी पीछे का हिस्सा नहीं दिखाया।
पेपर का दावा: अंधेरे में अनुमान लगाने के बजाय, OrbitForge पहचानता है कि कौन से कोण गायब हैं (जिसे "unsupported gap" कहा जाता है)।

4. लक्षित मरम्मत (गैप को भरना - The Targeted Repair)

यही सबसे चतुर हिस्सा है। OrbitForge AI को "एक पूरा नया वीडियो बनाने" के लिए नहीं कहता। वह AI से कहता है कि केवल खाली पड़े पिछले हिस्से को भर दे।

उपमा: ठेकेदार AI से कहता है: "हमारे पास सामने और किनारे पहले से मौजूद हैं। हमें पता है कि पीछे की दीवार कहाँ होनी चाहिए। बस पीछे की दीवार को सामने की शैली से मेल खाने के लिए पेंट करें, और सामने के हिस्से को न बदलें।"
विधि: वे "Endpoint-Window" दृष्टिकोण का उपयोग करते हैं। वे AI को गायब अंतराल का "बायां किनारा" और "दायां किनसा" देते हैं, और उसे बीच के हिस्से को भरने के लिए कहते हैं। यह AI को भ्रमित होने और रास्ते से भटकने से रोकता है।

5. अंतिम निर्माण (दूसरा पुनर्निर्माण - The Final Build)

अब कि वीडियो पूरा हो गया है (सामने + किनारे + भरा हुआ पिछला हिस्सा), OrbitForge एक आखिरी बार 3D मॉडल बनाता है।

उपमा: ठेकेदार अब उस पूर्ण, उच्च-गुणवत्ता वाले ब्लूप्रिंट को लेता है और अंतिम, ठोस घर बनाता है। क्योंकि ब्लूप्रिंट पूर्ण और सुसंगत है, घर सीधा खड़ा होता है, उसमें कोई तैरते हुए भूत नहीं होते, और आप 360 डिग्री घूम सकते हैं।

यह क्यों मायने रखता है ( "कवरेज" का तर्क - The Coverage Argument)

पेपर का तर्क है कि अधिकांश लोग 3D AI को गलत मानकों से आंक रहे हैं।

पुराना तरीका: "देखो, बाएं से दाएं वीडियो कितना स्मूथ है!" (भले ही यह केवल 20-डिग्री का छोटा सा हिस्सा दिखाता हो)।
OrbitForge का तरीका: "क्या आपने वास्तव में वस्तु के चारों ओर पूरा चक्कर लगाया?"
उपमा: यह एक टूर गाइड को आंकने जैसा है। एक गाइड जो एक छोटे से घेरे में घूमता है और बहुत सुचारू रूप से बोलता है, वह "स्मूथ" है, लेकिन उसने आपको पूरा संग्रहालय नहीं दिखाया है। OrbitForge गाइड को पूरे 360-डिग्री लूप में घूमने के लिए मजबूर करता है, भले ही इसका मतलब यह हो कि दृश्य अधिक नाटकीय रूप से बदलता है।

OrbitForge क्या नहीं करता

यह AI वीडियो मॉडल को फिर से प्रशिक्षित (retrain) नहीं करता (यह "frozen" मॉडल का उपयोग करता है)।
यह यह कोशिश नहीं करता कि वस्तु हर एक फ्रेम में एकदम परफेक्ट दिखे (यह पूरे 360-डिग्री ढांचे को प्राथमिकता देता है)।
यह वास्तविक कैमरों के साथ काम नहीं करता; यह AI द्वारा बनाए गए वीडियो के साथ काम करता है जो असंगत हो सकते हैं।

निचोड़ (The Bottom Line)

OrbitForge एक ऐसा टूल है जो एक ऐसे "जादुई वीडियो" को लेता है जो 3D स्पेस के बारे में झूठ बोलता है, एक स्मार्ट "स्थिरीकरण फ़िल्टर" का उपयोग करके सच का पता लगाता है, पहचानता है कि क्या गायब है, AI से केवल गायब हिस्सों को भरने के लिए कहता है, और फिर एक ठोस, चारों ओर घूमने योग्य 3D दुनिया बनाता है। यह साबित करता है कि पूर्ण 360-डिग्री दृश्य प्राप्त करने के लिए आपको नया AI प्रशिक्षित करने की आवश्यकता नहीं है; आपको बस इस बात पर ध्यान देने की आवश्यकता है कि आप जो आपके पास है उसका उपयोग कैसे करते हैं।

तकनीकी सारांश: OrbitForge

समस्या विवरण (Problem Statement)

यद्यपि सामान्य टेक्स्ट-टू-वीडियो मॉडल समृद्ध ओपन-वर्ल्ड सीन प्रायर (scene priors) के रूप में विकसित हो गए हैं जो उच्च गुणवत्ता वाले, सिमेंटिक रूप से सुसंगत वीडियो उत्पन्न करने में सक्षम हैं, वे सीधे तौर पर विश्वसनीय 3D एसेट्स प्रदान नहीं करते हैं। इन वीडियो को सीधे 3D दृश्यों में परिवर्तित करने में तीन प्राथमिक चुनौतियाँ आती हैं:

अनियंत्रित कैमरा मोशन (Uncontrollable Camera Motion): जनरेट किए गए वीडियो में कैमरा ट्रैजेक्टरी अंतर्निहित (implicit) होती है, जो अक्सर पूर्ण ऑर्बिट के बजाय केवल आंशिक चाप (partial arcs) को ही कवर करती है।
आंशिक दृश्य कवरेज (Partial View Coverage): जनरेट किए गए वीडियो में अक्सर वस्तु के पीछे के भाग, किनारों या ग्राउंड कॉन्टैक्ट (जमीन के संपर्क) के दृश्यों की कमी होती है, जिससे अपूर्ण 3D पुनर्निर्माण होता है।
टेम्पोरल इनकंसिस्टेंसी (Temporal Inconsistency): फ्रेमों में अक्सर वस्तु के विरूपण (deformation), टेक्सचर के बार-बार बदलने और बैकग्राउंड के ड्रिफ्ट जैसी विसंगतियाँ होती हैं, जो 3D गासियन (Gaussians) में फिट होने पर फ्लोटर्स (floaters), धुंधली ज्यामिति और व्यू-डिपेंडेंट आर्टिफैक्ट्स का कारण बनती हैं।

मौजूदा दृष्टिकोण या तो प्रति-प्रॉम्ट स्कोर डिस्टिलेशन सैंपलिंग (SDS) ऑप्टिमाइज़ेशन पर निर्भर करते हैं (जो धीमा है और ओवर-सैचुरेशन के प्रति संवेदनशील है), या निश्चित कैमरा फॉर्मेट वाले विशिष्ट मल्टीव्यू जनरेटरों की आवश्यकता रखते हैं (जो सीन कॉन्टेक्स्ट को सीमित करते हैं), या पूर्ण 360-डिग्री ऑर्बिट की गारंटी दिए बिना केवल स्थानीय नवीन-दृश्य संश्लेषण (novel-view synthesis) पर ध्यान केंद्रित करते हैं।

कार्यप्रणाली (Methodology): OrbitForge

Orbitfeed एक एडैप्टर है जिसे एक एकल टेक्स्ट-जनरेटेड वीडियो को एक कैनोनिकल, क्लोज्ड-ऑर्बिट 3D गासियन स्प्लेटिंग (Gaussian Splatting) सीन में बदलने के लिए डिज़ाइन किया गया है, बिना किसी नया मल्टीव्यू प्रायर प्रशिक्षित किए या प्रति-प्रॉम्ट SDS ऑप्टिमाइज़ेशन किए। यह पाइपलाइन एक पुनर्निर्माण-रेंडर-पूर्णता लूप (reconstruction-render-completion loop) के रूप में कार्य करती है:

1. एंकर के रूप में प्रारंभिक पुनर्निर्माण (Preliminary Reconstruction as an Anchor)

एक टेक्स्ट प्रॉम्ट $p$ के दिए जाने पर, एक फ्रोजन टेक्स्ट-टू-वीडियो मॉडल $\Phi$ एक प्रारंभिक वीडियो $V_0$ जनरेट करता है।

कैमरा अनुमान (Camera Estimation): एक एस्टिमेटर $E$ , $V_0$ को प्रति-फ्रेम कैमरे $\hat{C}_0$ असाइन करता है।
डिफॉर्मेबल पुनर्निर्माण (Deformable Reconstruction): एक डिफॉर्मेबल गासियन स्प्लेटिंग (DeformableGS) बैकएंड वीडियो को एक 3D सीन $G_0$ में पुनर्निर्मित करता है। यह चरण जनरेट किए गए वीडियो की "स्यूडो-डायनामिक्स" (जैसे ऑब्जेक्ट ड्रिफ्ट, टेक्सचर परिवर्तन) को अवशोषित करने के लिए एक डिफॉर्मेशन फील्ड का उपयोग करता है, जिससे उन्हें स्थिर ज्यामिति (static geometry) में बदलने के बजाय एक साझा 3D कोऑर्डिनेट सिस्टम में व्यवस्थित किया जा सके।

2. स्टैटिक सीन कंसोलिडेशन (Static Scene Consolidation - MedianGS)

चूंकि जनरेट किए गए वीडियो में गैर-भौतिक स्यूडो-डायनामिक्स होते हैं, इसलिए $G_0$ को एक स्थिर प्रॉक्सी $G^0_{med}$ में परिवर्तित किया जाता है ताकि यह एक स्थिर एंकर के रूप में कार्य कर सके।

डिफॉर्मेशन फील्ड का मूल्यांकन $T_m$ समान रूप से अंतराल वाले टाइम कोड्स पर किया जाता है।
ज्योमेट्री ऑफसेट्स (पोजीशन, रोटेशन, स्केल) को समय के साथ कोऑर्डिनेट-वाइज मीडियन (coordinate-wise median) का उपयोग करके एकत्रित किया जाता है।
यह मजबूत एकत्रीकरण वीडियो द्वारा साझा किए गए अधिकांश डिफॉर्मेशन स्टेट को निकालता है, जिससे एक स्थिर स्ट्रक्चरल प्रॉक्सी तैयार होती है जो मनमाने टेम्पोरल स्लाइस या फ्रेम-डिपेंडेंट आर्टिफैक्ट्स से बचती है।

3. कवरेज-अवेयर क्लोज्ड-ऑर्बिट पूर्णता (Coverage-Aware Closed-Orbit Completion)

स्थिर प्रॉक्सी $G^0_{med}$ को एक निर्धारित कैनोनिकल ऑर्बिट $C$ (361 दृश्य, 0° से 360°) के साथ रेंडर किया जाता है ताकि लुप्त दृश्यों की पहचान की जा सके।

सपोर्ट एनालिसिस (Support Analysis): सोर्स कैमरों को फिट किए गए ऑर्बिट प्लेन पर प्रोजेक्ट किया जाता है। सोर्स वीडियो द्वारा समर्थित निरंतर चाप ( $S_{arc}$ ) की पहचान की जाती है, और शेष अंतराल ( $U_{gap}$ ) को अनसपोर्टेड (unsupported) के रूप में चिह्नित किया जाता है।
एंडपॉइंट-विंडो पूर्णता (Endpoint-Window Completion): प्रगतिशील दृश्य विस्तार के बजाय, यह विधि फ्रोजन टेक्स्ट-टू-वीडियो मॉडल को फिर से क्वेरी करके लुप्त अंतराल को पूरा करती है। पूर्णता को एक एंडपॉइंट-विंडो कार्य के रूप में फ्रेम किया गया है: मॉडल दो ज्ञात एंडपॉइंट्स (सोर्स-सपोर्टेड आर्क का टेल और हेड) के बीच के "अनजान गैप" को भरता है।
अंतिम वीडियो $\hat{V}_0$ में मूल सोर्स फ्रेम्स ( $S_{arc}$ के लिए) और नए सिंथेसाइज्ड फ्रेम्स ( $U_{gap}$ के लिए) शामिल होते हैं।

4. दूसरा पुनर्निर्माण (Second Reconstruction)

पूर्ण ऑर्बिट वीडियो $\hat{V}_0$ को निर्धारित कैनोनिकल कैमरों (पुनः अनुमानित नहीं) का उपयोग करके अंतिम गासियन स्प्लेटिंग सीन $G_1$ में पुनर्निर्मित किया जाता है।

कैनोनिकल कैमरा सिस्टम को बनाए रखना पूर्ण किए गए दृश्यों और अंतिम 3D प्रतिनिधित्व के बीच ज्यामितीय संरेखण (geometric alignment) सुनिश्चित करने के लिए महत्वपूर्ण है।
अंतिम आउटपुट $G_1$ है, जिसे कैनोनिकल ऑर्बिट पर एक स्टैटिक सीन $R_1$ के रूप में रेंडर किया जाता है।

मुख्य योगदान (Key Contributions)

क्लोज्ड-ऑर्बिट जनरेशन का सूत्रीकरण: यह पेपर जेनेरिक टेक्स्ट-जनरेटेड वीडियो से सीन-लेवल, क्लोज्ड-ऑर्बिट 3D एसेट्स बनाने के कार्य को परिभाषित करता है, जो अनकैलिब्रेटेड कैमरों, आंशिक कवरेज और वीडियो विसंगतियों को बिना किसी टास्क-स्पेसिफिक फाइन-ट्यूनिंग के संभालता है।
रिकंस्ट्रक्शन-एंकरड एडैप्टर: OrbitForge एक ऐसा तरीका प्रस्तावित करता है जो एक अपूर्ण पहले पुनर्निर्माण का उपयोग अंतिम एसेट के रूप में नहीं, बल्कि फ्रेमों को व्यवस्थित करने और पूर्णता के लिए कवरेज गैप को परिभाषित करने के लिए एक स्ट्रक्चरल एंकर के रूप में करता है।
MedianGS और कवरेज-अवेयर पूर्णता: स्टैटिक सीन कंसोलिडेशन के लिए MedianGS और एक एंडपॉइंट-विंडो पूर्णता रणनीति का परिचय जो प्रगतिशील होने के बजाय वैश्विक स्तर पर लुप्त ऑर्बिट इंटरवल्स को भरती है।
कवरेज-अवेयर इवैल्यूएशन प्रोटोकॉल: लेखक तर्क देते हैं कि स्थानीय स्मूथनेस मेट्रिक्स क्लोज्ड-ऑर्बिट कार्यों के लिए अपर्याप्त हैं। वे एक प्रोटोकॉल पेश करते हैं जो मेजरड एंगुलर स्पैन (measured angular span), मोनोटोन प्रोग्रेस (monotone progress) और लोअर-टेल क्वालिटी (lower-tail quality) (उन दृश्यों पर ध्यान केंद्रित करना जो सबसे कठिन, मूल रूप से अनसपोर्टेड दृश्य थे) को मापता है ताकि क्लोज्ड-ऑर्बिट जनरेशन का निष्पक्ष मूल्यांकन किया जा सके।

परिणाम (Results)

T3Bench से प्राप्त 300-प्रॉम्ट ऑडिट सेट पर मूल्यांकन किया गया:

कवरेज: OrbitForge 359.0 डिग्री का मेजरड मीडियन स्पैन प्राप्त करता है, जो 100% प्रॉम्ट्स के लिए ऑर्बिट को सफलतापूर्वक बंद करता है। यह स्थानीय नवीन-दृश्य विधियों (जैसे ViewCrafter, जो केवल ~18.9 डिग्री कवर करता है) से काफी बेहतर प्रदर्शन करता है और स्पैन के मामले में विशिष्ट मल्टीव्यू विधियों के बराबर है, जबकि सीन कॉन्टेक्स्ट को भी बनाए रखता है।
गुणवत्ता: लोअर-टेल क्वालिटी मेट्रिक (Q10 ImageReward) पर, OrbitForge स्कोर को 8.07 (अनसपोर्टेड दृश्यों पर MedianGS-ओनली पुनर्निर्माण) से बढ़ाकर 16.36 कर देता है, जो यह दर्शाता है कि पूर्णता चरण (completion stage) प्रभावी रूप से पहले से अनसपोर्टेड बैकसाइड दृश्यों की गुणवत्ता में सुधार करता है।
तुलना: OrbitForge कवरेज-क्वालिटी ट्रेड-ऑफ के मामले में VideoMV के प्रतिस्पर्धी बना रहता है, लेकिन ऑब्जेक्ट-सेंट्रिक SDS विधियों या विशिष्ट मल्टीव्यू जनरेटरों की तुलना में अधिक ग्राउंड, बैकग्राउंड और ऑब्जेक्ट-एनवायरनमेंट संबंधों को सुरक्षित रखता है।

महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि OrbitForge पहले पुनर्निर्माण को एक अंतिम उत्पाद के बजाय एक स्कैफोल्ड (scaffold) के रूप में उपयोग करके जेनेरिक वीडियो प्रायर और उपयोगी 3D एसेट्स के बीच के अंतर को पाटता है। इसका महत्व निम्नलिखित में निहित है:

दक्षता (Efficiency): यह प्रति-प्रॉम्ट SDS ऑप्टिमाइज़ेशन की कम्प्यूटेशनल लागत और अस्थिरता और नए मल्टीव्यू जनरेटरों को प्रशिक्षित करने की डेटा आवश्यकताओं से बचता है।
सीन फिडेलिटी (Scene Fidelity): यह जेनेरिक वीडियो मॉडल्स के ओपन-वर्ल्ड सिमेंटिक विवरण का लाभ उठाता है ताकि सीन-लेवल 3D एसेट्स उत्पन्न किए जा सकें जिनमें ग्राउंड कॉन्टैक्ट और बैकग्राउंड कॉन्टेक्स्ट शामिल हो, जो अक्सर ऑब्जेक्ट-सेंट्रिक दृष्टिकोणों में खो जाते हैं।
मूल्यांकन की कठोरता (Evaluation Rigor): यह स्थापित करता है कि 3D जनरेशन के निष्पक्ष मूल्यांकन के लिए कवरेज (एक पूर्ण ऑर्बिट रेंडर करने की क्षमता) को लोकल स्मूथनेस (निकटवर्ती-फ्रेम स्थिरता) से अधिक प्राथमिकता देनी चाहिए, क्योंकि जो विधियाँ केवल छोटी ट्रैजेक्टरी जनरेट करती हैं वे उच्च स्मूथनेस स्कोर प्राप्त कर सकती हैं जबकि मुख्य 3D कार्य में विफल रहती हैं।

लेखक सीमाओं को स्वीकार करते हैं: पूर्ण किया गया बैकसाइड सिंथेसाइज्ड सपोर्ट है, जिसका अर्थ है कि पूर्णता प्रायर (completion prior) में त्रुटियां (जैसे पारदर्शी या पतली संरचनाओं पर) दूसरे पुनर्निर्माण में स्थायी हो सकती हैं। हालांकि, यह विधि जेनेरिक टेक्स्ट-टू-वीडियो आउटपुट को क्लोज्ड-ऑर्बिट 3D गासियन स्प्लेटिंग सीन्स में बदलने के लिए एक मजबूत इंटरफ़ेस प्रदान करती है।