Loss-Guided Density Control and Efficient Backward Optimisation for Compact Gaussian Splatting

कल्पना कीजिए कि आप केवल कुछ ही तस्वीरों का उपयोग करके वास्तविक दुनिया के दृश्य, जैसे कि एक हलचल भरे शहर के चौक या एक शांत जंगल का, एक पूर्ण, त्रि-आयामी (थ्री-डायमेंशनल) मॉडल बनाने की कोशिश कर रहे हैं। वर्षों से, वैज्ञानिक इन मॉडलों को यथार्थवादी बनाने के लिए संघर्ष कर रहे हैं, जबकि उन्हें कंप्यूटर पर तेज़ी से लोड करने के लिए पर्याप्त छोटा भी रखना चाहते हैं। लक्ष्य एक ऐसा डिजिटल ट्विन बनाना है जिसमें आप घूम सकें, किसी भी कोण से देख सकें, बिना छवि के धुंधले हुए या कंप्यूटर के धीमे हुए। '3D गॉसियन स्प्लेटिंग' नामक एक हालिया सफलता ने खेल बदल दिया है, जो दृश्य को एक ठोस मेश (mesh) के रूप में नहीं, बल्कि लाखों छोटे, धुंधले दीर्घवृत्तों (एलिप्स) के बादल के रूप में प्रस्तुत करती है। इन दीर्घवृत्तों को रंग के नरम, चमकते बादलों के रूप में सोचें जो अंतिम चित्र बनाने के लिए एक-दूसरे के ऊपर आते हैं। हालांकि यह विधि तुरंत आश्चर्यजनक चित्र बनाती है, लेकिन इन बादलों को व्यवस्थित करने के लिए कंप्यूटर को सिखाने की प्रक्रिया अक्सर धीमी और अपव्ययपूर्ण होती है। कंप्यूटर उन स्थानों पर बहुत अधिक बादल बना देता है जहाँ छवि पहले से ही स्पष्ट है, और जहाँ विवरण गायब हैं वहाँ पर्याप्त नहीं बना पाता, जिससे एक भारी-भरकम मॉडल बन जाता है जिसे प्रशिक्षित करने में लंबा समय लगता है।

चेंगडू यूनिवर्सिटी ऑफ टेक्नोलॉजी और शेनझेन सेंसिंग डेटा टेक्नोलॉजी कंपनी के शोधकर्ताओं ने इन मॉडलों को प्रशिक्षित करने का एक नया तरीका प्रस्तावित किया है जो तेज़ और अधिक कुशल है। उनका दृष्टिकोण तीन मुख्य सुधारों पर केंद्रित है: कंप्यूटर को अनावश्यक बादल बनाने से रोकना, उन्हें हटाना जो मदद नहीं करते, और पर्दे के पीछे की गणनाओं को तेज़ करना। केवल इसलिए कि कोई छवि थोड़ी धुंधली दिख रही है, और अधिक बादल जोड़ने के बजाय, उनकी नई विधि चित्र में वास्तविक त्रुटियों को एक अवधि के दौरान देखती है। यदि छवि का एक विशिष्ट क्षेत्र कई राउंड से अच्छी तरह से पुनर्निर्मित किया गया है, तो सिस्टम जानता है कि वहां बादल बनाना बंद कर देना चाहिए। यह केवल उन्हीं स्थानों में नए बादलों को बनने की अनुमति देता है जो अभी भी सही दिखने के लिए संघर्ष कर रहे हैं। यह मॉडल को उन अतिरिक्त टुकड़ों से भरने से रोकता है जो कुछ भी नहीं करते बल्कि केवल चीजों को धीमा करते हैं।

एक बार जब मॉडल ने नए बादल जोड़ दिए, तो शोधकर्ताओं ने इस अव्यवस्था को साफ करने का एक तरीका भी पेश किया। उन्होंने उन बादलों की पहचान करने के लिए एक परीक्षण विकसित किया जो या तो देखने के लिए बहुत फीके हैं या बहुत अधिक डगमगा रहे हैं। इन अस्थिर या अदृश्य बादलों को काट दिया जाता है, जिससे आकारों का एक अधिक सुव्यवस्थित और प्रभावी सेट बचता है। पूरी प्रक्रिया को और भी तेज़ बनाने के लिए, टीम ने उस अंतर्निहित कंप्यूटर कोड को फिर से लिखा जो भारी काम संभालता है। डेटा को इस तरह से व्यवस्थित करके जिसे कंप्यूटर का ग्राफिक्स प्रोसेसर अधिक सुचारू रूप से पढ़ सके, उन्होंने यह गणना करने में लगने वाले समय को कम कर दिया कि छवि को कैसे बदलना चाहिए। यह बिल्कुल वैसा ही है जैसे कोई लाइब्रेरियन किताबों को शेल्फ पर इस तरह व्यवस्थित कर सकता है ताकि एक पाठक अगले हिस्से को लेने के लिए कमरे के आर-पार जाने के बजाय आसानी से उसे उठा सके; किताबें वही हैं, लेकिन उन्हें पाने का रास्ता बहुत छोटा हो गया है।

इस कार्य के परिणाम महत्वपूर्ण हैं। जब जटिल डेटासेट पर परीक्षण किया गया जिसमें बगीचे में एक साइकिल या मंदिर में एक टैंक जैसे दृश्य शामिल थे, तो नई विधि ने पिछली तकनीकों की तुलना में कुल प्रशिक्षण समय को बड़े अंतर से कम कर दिया। एक विशिष्ट परीक्षण में, एक बगीचे में साइकिल के दृश्य पर, प्रशिक्षण का समय 224 सेकंड से घटकर केवल 190 सेकंड रह गया, जबकि दृश्य बनाने के लिए उपयोग किए गए बादलों की अंतिम संख्या भी लगभग आधी, 947,000 से घटकर लगभग 570,000 रह गई। कम बादल उपयोग करने और तेज़ी से समाप्त होने के बावजूद, अंतिम छवियों की गुणवत्ता उच्च बनी रही, और दृश्य तीक्ष्णता और रंग सटीकता मूल, धीमी विधियों के बहुत करीब रही। शोधकर्ताओं ने पाया कि विवरण कब जोड़ने हैं और उन्हें कब हटाने हैं, इस बारे में अधिक समझदारी से काम करके, वे दृश्य की वास्तविकता से समझौता किए बिना कॉम्पैक्ट, उच्च-गुणवत्ता वाले 3D मॉडल बना सकते हैं। यह सुझाव देता है कि डिजिटल दुनिया बनाने का भविष्य न केवल अधिक डेटा जोड़ने में, बल्कि इसे अधिक सटीकता के साथ प्रबंधित करने में निहित है।