MultiCube: Compositional 3D Generation With Part-Level Semantic and Spatial Control

फिल्मों, वीडियो गेम और आभासी दुनिया के लिए डिजिटल 3D ऑब्जेक्ट बनाना पारंपरिक रूप से एक श्रमसाध्य कार्य रहा है। कलाकार जटिल मॉडलों को गढ़ने, पेंट करने और उन्हें जोड़ने में घंटों बिताते हैं, यह सुनिश्चित करते हुए कि हर पहिया, पंख या अंग ठीक उसी जगह पर हो जहाँ उसकी आवश्यकता है। हाल के वर्षों में, आर्टिफिशियल इंटेलिजेंस ने इस प्रक्रिया को स्वचालित करना शुरू कर दिया है, जिससे कंप्यूटर सरल टेक्स्ट विवरणों से 3D आकृतियाँ बना सकते हैं। हालाँकि, ये शुरुआती AI सिस्टम अक्सर ठोस, एकल-खंड वाली वस्तुएं बनाते हैं जिनमें पेशेवर उपयोग के लिए आवश्यक आंतरिक संरचना का अभाव होता है। यदि किसी डेवलपर को हिलने-डुलने वाली भुजाओं वाले पात्र या अलग होने वाले पहियों वाले वाहन की आवश्यकता है, तो एक मानक AI-जनरेटेड मॉडल अक्सर बेकार होता है क्योंकि वह केवल ज्यामिति का एक निरंतर पिंड मात्र होता है। शोधकर्ताओं के लिए चुनौती यह रही है कि वे कंप्यूटर को न केवल एक आकृति बनाना सिखाएं, बल्कि यह भी समझाएं कि एक आकृति अलग-अलग, अर्थपूर्ण भागों से बनी होती है जिन्हें व्यक्तिगत रूप से नियंत्रित किया जा सकता है।

शोधकर्ताओं की एक टीम ने 'मल्टीक्यूब' (MultiCube) नामक एक नई प्रणाली पेश की है, जिसे इस समस्या को हल करने के लिए डिज़ाइन किया गया है ताकि रचनाकारों को उत्पन्न 3D ऑब्जेक्ट के प्रत्येक भाग की पहचान और स्थान पर सटीक नियंत्रण मिल सके। केवल कंप्यूटर से "एक रोबोट बनाओ" कहने के बजाय, उपयोगकर्ता अब यह निर्दिष्ट कर सकते हैं कि वे वास्तव में कौन से भाग चाहते हैं—जैसे कि एक सिर, दो भुजाएँ और चार पहिए—और उन्हें यह भी बता सकते हैं कि प्रत्येक भाग अंतरिक्ष में कहाँ स्थित होना चाहिए। सिस्टम फिर एक पूर्ण 3D ऑब्जेक्ट उत्पन्न करता है जहाँ प्रत्येक घटक एक अलग, संपादन योग्य टुकड़ा होता है, जो उपयोगकर्ता के निर्देशों के साथ पूरी तरह से संरेखित होता है। यह दृष्टिकोण टेक्स्ट-आधारित पीढ़ी की रचनात्मक स्वतंत्रता और पेशेवर 3D मॉडलिंग की कठोर संरचनात्मक आवश्यकताओं के बीच के अंतर को पाटता है।

मल्टीक्यूब का मुख्य नवाचार इसके निर्देशों की व्याख्या करने के तरीके में निहित है। पिछले तरीके शायद एक टेक्स्ट प्रॉम्प्ट और चीजों के स्थान का एक मोटा विचार ले लेते थे, लेकिन वे अक्सर भागों को अलग रखने या उन्हें सही जगह पर रखने में संघर्ष करते थे। मल्टीक्यूब तीन विशिष्ट इनपुट स्वीकार करके काम करता है: समग्र वस्तु का विवरण, आवश्यक विशिष्ट भागों की एक सूची, और अदृश्य बक्सों का एक सेट जो प्रत्येक भाग के आकार और स्थिति को परिभाषित करता है। कल्पना कीजिए कि एक उपयोगकर्ता "एक मजबूत धातु की टॉर्च" का वर्णन कर रहा है और उसके घटकों के रूप में हैंडल, एक स्विच और एक लेंस को सूचीबद्ध कर रहा है। वे फिर एक आभासी स्थान में तीन बॉक्स खींचते हैं: एक हैंडल के लिए, एक स्विच के लिए, और एक लेंस के लिए। सिस्टम इन बक्सों को एक सख्त मार्गदर्शक के रूप में उपयोग करता है, यह सुनिश्चित करता है कि उत्पन्न हैंडल पहले बॉक्स के भीतर फिट हो, स्विच दूसरे में, और लेंस तीसरे में, जबकि वह अभी भी एक सुसंगत टॉर्च जैसा दिखे।

इसे प्राप्त करने के लिए, शोधकर्ताओं ने एक दो-चरणीय प्रक्रिया बनाई है। सबसे पहले, कंप्यूटर एक एकल, ठोस आकार उत्पन्न करता है जिसमें अनुरोधित सभी भाग उनके सही स्थानों पर होते हैं। यह प्रत्येक भाग के टेक्स्ट विवरण को उसे सौंपे गए विशिष्ट बॉक्स के साथ जोड़ने के माध्यम से करता है। सिस्टम का एक विशेष घटक, जिसे 'पार्ट लेआउट एडैप्टर' (Part Layout Adapter) कहा जाता है, एक अनुवादक के रूप la काम करता है जो प्रत्येक भाग की जानकारी को अलग रखता है, जिससे कंप्यूटर इस बात पर भ्रमित नहीं होता कि कौन सा भाग किस बॉक्स का है। एक बार जब यह ठोस आकार बन जाता है, तो सिस्टम दूसरे चरण की ओर बढ़ता है, जहाँ वह सावधानीपूर्वक ठोस वस्तु को उपयोगकर्ता द्वारा अनुरोधित व्यक्तिगत भागों में अलग करता है। यह सुनिश्चित करता है कि अंतिम परिणाम केवल एक सिंगल मेश नहीं है, बल्कि अलग-अलग 3D मॉडलों का एक संग्रह है जो एक साथ पूरी तरह से फिट होते हैं।

इस पद्धति के परिणाम मौजूदा उपकरणों की तुलना में एक महत्वपूर्ण सुधार हैं। परीक्षणों में, मल्टीक्यूब एक छह-शॉट रिवॉल्वर जिसमें खुला सिलेंडर हो, एक राजसी ईगल मॉन्स्टर जिसमें कई सिर हों, या विशिष्ट अंगों वाला एक मैकेनिकल रोबोट जैसी जटिल वस्तुएं उत्पन्न करने में सक्षम था, और यह सब उपयोगकर्ता के स्थानिक निर्देशों का सख्ती से पालन करते हुए। अन्य प्रणालियों की तुलना में, मल्टीक्यूब ने ऐसे आकार बनाए जो इच्छित लेआउट के प्रति बहुत अधिक सटीक थे और जिनमें त्रुटियां (जैसे भागों का ओवरलैप होना या गायब होना) बहुत कम थीं। यह सिस्टम परिवर्तनों को संभालने के लिए भी पर्याप्त लचीला है; यदि कोई उपयोगकर्ता किसी जीव के पैरों को पंखों से बदलना चाहता है, या पूंछ को लंबा करना चाहता है, तो सिस्टम शेष संरचना को बरकरार रखते हुए नए भागों के साथ वस्तु को पुन: उत्पन्न कर सकता है।

स्थिर वस्तुओं से परे, यह तकनीक अधिक गतिशील अनुप्रयोगों के द्वार खोलती है। चूंकि सिस्टम वस्तुओं को अलग, लेबल किए गए टुकड़ों के रूप में उत्पन्न करता है, इसलिए इन भागों का तुरंत एनीमेशन के लिए उपयोग किया जा सकता है। मल्टीक्यूब के साथ बनाया गया एक पात्र अपनी भुजाओं और पैरों को स्वतंत्र रूप से हिला सकता है, जिसके लिए आमतौर पर कलाकारों को जोड़ों के मुड़ने और घूमने के तरीके को मैन्युअल रूप से परिभाषित करने की आवश्यकता होती है, जिसे 'रिगिंग' (rigging) की एक थकाऊ प्रक्रिया कहा जाता है। शोधकर्ताओं ने यह भी प्रदर्शित किया है कि यह प्रणाली पूरी तरह से स्वचालित हो सकती है; इसे एक लार्ज लैंग्वेज मॉडल से जोड़कर, एक उपयोगकर्ता बस "एक आरामदायक बेडरूम" जैसा विवरण टाइप कर सकता है, और सिस्टम स्वचालित रूप से आवश्यक भागों—बिस्तर, साइड टेबल, लैंप—को समझ लेगा और उन्हें एक तार्किक लेआउट में व्यवस्थित करेगा, बिना किसी मैन्युअल बॉक्स-ड्राइंग के।

हालांकि यह प्रणाली शक्तिशाली है, शोधकर्ता स्वीकार करते हैं कि यह पूर्ण नहीं है। यदि भागों को परिभाषित करने वाले बॉक्स इस तरह से खींचे जाते हैं जो भौतिक रूप से तर्कसंगत न हों, जैसे कि एक पहिये को सिर के अंदर रखना, तो परिणामी वस्तु अजीब लग सकती है। इसके अतिरिक्त, सिस्टम कभी-कभी ऐसे भाग भी उत्पन्न करता है जो थोड़ा ओवरलैप होते हैं, हालांकि ऐसा दुर्लभ है। इन मामूली सीमाओं के बावजूद, यह कार्य 3D निर्माण को सुलभ और नियंत्रणीय बनाने की दिशा में एक बड़ा कदम है। उपयोगकर्ताओं को न केवल यह बताने की क्षमता देकर कि एक वस्तु कैसी दिखती है, बल्कि यह भी कि वह कैसे बनी है और उसके टुकड़े कहाँ जाते हैं, मल्टीक्यूब आर्टिफिशियल इंटेलिजेंस को उस स्तर के नियंत्रण के करीब ले जाता है जिसकी पेशेवर कलाकारों को आवश्यकता होती है, जिससे सरल टेक्स्ट और रफ स्केच को जटिल, उपयोगी 3D एसेट्स में बदला जा सकता है।