कल्पना कीजिए कि आपके हाथ में एक जादुई कैमरा है जो केवल वही नहीं देखता जो आप देख रहे हैं, बल्कि आपके आस-पास के कमरे के वास्तविक आकार को भी कैद करता है, जिससे हवा और फर्नीचर छोटे, चमकते बिंदुओं के बादल में बदल जाता है। यह 3D स्कैनिंग की दुनिया है, जहाँ वैज्ञानिक और इंजीनियर कंप्यूटर को यह सिखाने की कोशिश कर रहे हैं कि वे हमारी आँखों की तरह तीन आयामों (3D) में भौतिक दुनिया को कैसे "देख" सकते हैं। आमतौर पर, इसके लिए महंगे, भारी उपकरणों की आवश्यकता होती है जो केवल हाई-टेक लैब में मिलते हैं। लेकिन हाल ही में, सस्ते सेंसरों ने इस जादू को आपकी जेब में या यहाँ तक कि आपके सिर पर ले जाना संभव बना दिया है। हालाँकि, बड़ी चुनौती केवल तस्वीर लेना नहीं है; बल्कि उन लाखों बिखरे हुए बिंदुओं से एक ठोस, चिकनी दीवार या मेज का पता लगाना है जिसके चारों ओर आप किसी वीडियो गेम या वर्चुअल रियलिटी की दुनिया में घूम सकें। यह रेत से किला बनाने जैसा है: यदि आप बस रेत को चारों ओर बहने देते हैं, तो वह एक गड़बड़ी बन जाती है। आपको इसे दबाने, चिकना करने और यह सुनिश्चित करने के की आवश्यकता है कि किला पूरा घोषित करने से पहले हर ईंट सही जगह पर हो।

यही वह समस्या है जिसे यूनिवर्सिटी ऑफ बोलोग्ना के शोधकर्ताओं की एक टीम ने हल करने का निर्णय लिया। उन्होंने MESH4ID (MESH फॉर इंक्रीमेंटल डिजिटल-फिजिकल सिस्टम) नामक एक नई प्रणाली बनाई। एक कंप्यूटर को आपके चलते समय अपने आप एक आदर्श 3D मॉडल बनाने की कोशिश करने देने के बजाय—जिससे अक्सर भ्रम और त्रुटियां होती हैं—उन्होंने एक "हेडसेट-केंद्रित" पाइपलाइन बनाई है। इसे एक वर्चुअल रियलिटी वर्कशॉप की तरह समझें जहाँ आप, उपयोगकर्ता, फोरमैन (पर्यवेक्षक) हैं। आप एक विशेष हेडसेट (Meta Quest 3) पहनते हैं जिसके सामने एक लेजर स्कैनर (Intel RealSense L515) बंधा होता है। जैसे-जैसे आप चलते हैं, स्कैनर कमरे को रंगीन बिंदुओं के एक लाइव, तैरते हुए बादल से पेंट करता है। लेकिन यहाँ एक मोड़ है: कंप्यूटर इन बिंदुओं को तुरंत एक दीवार में जोड़ने की कोशिश नहीं करता है। इसके बजाय, आप तय करते हैं कि कब बिंदुओं के एक स्नैपशॉट को "फ्रीज" करना है, उसे सहेजना है, और फिर वर्चुअल टूल्स का उपयोग करके गंदगी को साफ करना है, विभिन्न दृश्यों को मिलाना है, और उसके बाद, जब आप तैयार हों, तभी कंप्यूटर से अंतिम चिकनी सतह बनाने के लिए कहना है।

शोधकर्ताओं ने पाया कि यह "अपना समय लेने वाला" दृष्टिकोण आश्चर्यजनक रूप से अच्छा काम करता है। मानव उपयोगकर्ता को डेटा को व्यवस्थित करने (curate) देने से—यह तय करने के लिए कि कौन से स्नैपशॉट अच्छे हैं, किन्हें फेंक देना चाहिए, और उन्हें कैसे जोड़ना है—वे हेडसेट के भीतर ही सटीक 3D मॉडल बना सकते हैं। उनके प्रयोगों ने दिखाया कि जबकि डेटा को सहेजना और साफ करना कुछ ही सेकंड लेता है, सबसे कठिन हिस्सा कई अलग-अलग स्नैपशॉट को एक साथ मिलाना है, जिसमें थोड़ा अधिक समय लग सकता है (तीन फोटो के छोटे सेट के लिए लगभग 12 सेकंड)। हालाँकि, एक बार जब डेटा मर्ज हो जाता है, तो इसे एक ठोस 3D मेश में बदलना बहुत तेज़ होता है। पेपर सुझाव देता है कि यह विधि इनडोर स्थानों को कैप्चर करने का एक व्यावहारिक, विश्वसनीय तरीका है, बशर्ते आप अपने स्वयं के 3D मूवी के सक्रिय निर्देशक बनने के लिए तैयार हों।

जादुई हेडसेट और "पेंटिंग" की प्रक्रिया

तो, यह वास्तव में कैसे काम करता है? कल्पना कीजिए कि आप एक VR हेडसेट पहने हुए हैं जिसके सामने एक छोटा, हाई-टेक लेजर नेत्र लगा है। यह लेजर, जिसे LiDAR कहा जाता है, अदृश्य किरणें छोड़ता है ताकि यह माप सके कि चीजें कितनी दूर हैं। जैसे-जैसे आप कमरे में घूमते हैं, हेडसेट दुनिया को लाखों रंगीन बिंदुओं के एक लाइव, बदलते हुए बादल के रूप में देखता है। यदि आप एक कुर्सी देखते हैं, तो आप कुर्सी के आकार का बिंदुओं का एक बादल देखते हैं। यदि आप एक दीवार देखते हैं, तो आप बिंदुओं की एक सपाट शीट देखते हैं।

कई पुराने सिस्टमों में, कंप्यूटर हर एक बिंदु को देखता है और उसे वास्तविक समय में एक विशाल, पूर्ण 3D मॉडल में जोड़ने की कोशिश करता है। इस पेपर के लेखक तर्क देते हैं कि यह केक बनाने के घोल को मिलाते समय ही केक पकाने की कोशिश करने जैसा है; यह अस्त-व्यस्त और त्रुटियों के प्रति संवेदनशील है। इसके बजाय, MESH4ID लाइव दृश्य को एक "प्रीव्यू" के रूप में मानता है। यह एक चित्रकार की तरह है जो कैनवास को देखता है, देखता है कि रोशनी कहाँ पड़ती है, और निर्णय लेता है, "ठीक है, वह हिस्सा अच्छा दिख रहा है, मैं अब उसकी एक तस्वीर लेता हूँ।"

जब आप वर्चुअल दुनिया में एक बटन दबाते हैं, तो सिस्टम बिंदुओं के वर्तमान बादल को "फ्रीज" कर देता है। यह उस क्षण को पकड़ लेता है और उसे एक स्थायी फ़ाइल के रूपas सहेज लेता है। यह एक बर्फ के टुकड़े (snowflake) की तस्वीर लेने जैसा है इससे पहले कि वह पिघल जाए। सिस्टम इस स्नैपशॉट को दो तरीकों से सहेजता है: एक सरल टेक्स्ट सूची (CSV) के रूप में जिसे कोई भी पढ़ सकता है, और एक कॉम्पैक्ट 3D फ़ाइल (PLY) के रूप में जिसका उपयोग कंप्यूटर बाद में बिंदुओं को फिर से बनाने के लिए कर सकता है। यह महत्वपूर्ण है क्योंकि इसका मतलब है कि आपके पास हर डेटा के लिए एक "रसीद" है। यदि अंतिम 3D मॉडल अजीब दिखता है, तो आप वापस जाकर देख सकते हैं कि किस स्नैपशॉट ने समस्या पैदा की थी।

वर्चुअल वर्कशॉप: सफाई और विलय (Merging)

एक बार जब आप कुछ स्नैपशॉट ले लेते हैं, तो आप "वर्कशॉप" चरण में प्रवेश करते हैं। यहीं पर यह सिस्टम चमकता है। वर्चुअल रियलिटी वातावरण में, आप अपने सभी सहेजे गए स्नैपशॉट को हवा में भूतिया बादलों की तरह तैरते हुए देख सकते हैं। आप उन्हें उठा सकते हैं, उन्हें देख सकते हैं, और तय कर सकते हैं कि क्या करना है।

कभी-कभी, एक स्नैपशॉट में कुछ अतिरिक्त बिंदु हो सकते हैं जो वहां नहीं होने चाहिए—शायद आपका हाथ गलती से बीच में आ गया, या स्कैनर ने एक ऐसा प्रतिबिंब देखा जो वास्तविक नहीं है। सिस्टम आपको एक वर्चुअल "क्लिपिंग प्लेन" देता है, जो एक विशाल, अदृश्य कांच की शीट की तरह है। आप अपने वर्चुअल हाथों से इस कांच को पकड़ सकते हैं और इसे बिंदुओं के बादल के माध्यम से स्लाइड कर सकते हैं। कांच के एक तरफ जो कुछ भी है वह रहता है; दूसरी तरफ जो कुछ भी है उसे काट दिया जाता है। जटिल गणित समझने के बिना डेटा को साफ करने का यह एक बहुत ही सरल, सहज तरीका है।

अपने स्नैपशॉट को साफ करने के बाद, आप उन्हें मिलाना चाह सकते हैं। शायद आपने कमरे के बाईं ओर का एक चित्र लिया और दाईं ओर का दूसरा। आप दोनों बादलों को चुन सकते हैं और सिस्टम को उन्हें "मर्ज" करने के लिए कह सकते हैं। कंप्यूटर फिर दोनों तस्वीरों के सभी बिंदुओं को लेता है, उन्हें एक सीध में लाता है, और एक एकल, बड़ा बादल बनाता है। पेपर नोट करता है कि यह विलय (merging) वाला चरण प्रक्रिया का सबसे धीमा हिस्सा है, जो उनके द्वारा उपयोग किए गए कंप्यूटर पर तीन स्नैपशॉट के छोटे समूह के लिए लगभग 12 सेकंड लेता है। लेकिन क्योंकि आप इसे जानबूझकर कर रहे हैं, न कि कंप्यूटर को अनुमान लगाने दे रहे हैं, इसलिए आप जानते हैं कि आपको क्या मिल रहा है।

किला बनाना: बिंदुओं से दीवारों तक

एक बार जब आपके पास बिंदुओं का साफ, मर्ज किया हुआ बादल आ जाता है, तो किला बनाने का समय होता है। सिस्टम एक गणितीय ट्रिक का उपयोग करता है जिसे "ट्रंकेटेड साइन्ड डिस्टेंस फंक्शन" (TSDF) कहा जाता है। कल्पना कीजिए कि बिंदु एक खेत में बोए गए बीज हैं। TSDF उस जादुगत कोहरे की तरह है जो उन बीजों के चारों ओर बढ़ता है। यह जानता है कि बीज सतह पर हैं, इसलिए यह एक चिकनी, निरंतर आकृति बनाने के लिए उनके आस-पास के स्थान को भर देता है।

सिस्टम फिर "मार्चिंग क्यूब्स" नामक एक क्लासिक एल्गोरिदम का उपयोग करके इस कोहरे के माध्यम से चलता है। यह उस अदृश्य रेखा को खोजता है जहाँ कोहरा अंदर और बाहर के बीच ठीक "आधे" पर होता है। यह इस रेखा को ट्रेस करता है और इसे त्रिकोणों के एक मेश में बदल देता है—वही प्रकार के त्रिकोण जिनका उपयोग वीडियो गेम में 3D पात्र बनाने के लिए किया जाता है। परिणाम आपके द्वारा अभी स्कैन किए गए कमरे का एक ठोस, चिकना 3D मॉडल है।

सबसे अच्छी बात यह है कि आप इस मॉडल को अपने हेडसेट के अंदर ही दिखाई देते हुए देख सकते हैं, जो ठीक उसी जगह तैर रहा है जहाँ वास्तविक कमरा है। आप इसके चारों ओर घूम सकते हैं, इसे अलग-अलग कोणों से देख सकते हैं, और देख सकते हैं कि दीवारें सही दिख रही हैं या नहीं। यदि मॉडल में कोई छेद या अजीब उभार है, तो आप जानते हैं कि किस स्नैपशॉट के कारण ऐसा हुआ है क्योंकि सिस्टम हर चरण का एक सटीक रिकॉर्ड रखता है।

उन्होंने क्या पाया और इसका क्या अर्थ है

शोधकर्ताओं ने एक मानक गेमिंग कंप्यूटर पर परीक्षण किया जो हेडसेट से जुड़ा हुआ था। उन्होंने पाया कि पूरी प्रक्रिया—स्नैपशॉट लेने से लेकर अंतिम 3D मॉडल देखने तक—कुछ ही सेकंडों में हो जाती है। डेटा सहेजना लगभग 3 सेकंड लेता है, और मर्ज किए गए बिंदुओं को एक चिकनी 3D सतह में बदलने में कुल 3 सेकंड लगते हैं। एकमात्र वास्तविक "बाधा" विलय (merging) चरण था, जिसमें तीन स्नैपशॉट के लिए लगभग 12 सेकंड लगे।

पेपर सुझाव देता है कि यह दृष्टिकोण 3D स्कैनिंग का एक बहुत ही व्यावहारिक तरीका है। यह सिद्ध करता है कि आपको यह करने के लिए सुपर-कंप्यूटर की आवश्यकता नहीं है; एक मानक पीसी और एक उपभोक्ता हेडसेट पर्याप्त हैं। हालाँकि, लेखक सावधानी बरतते हुए कहते हैं कि यह एक "व्यवहार्यता" (feasibility) अध्ययन है। उन्होंने दिखाया कि यह काम करता है और यह उपयोग के लिए पर्याप्त तेज़ है, लेकिन उन्होंने यह नहीं मापा कि पेशेवर लेजर स्कैनर की तुलना में उनके 3D मॉडल कितने सटीक हैं। उन्होंने यह भी नोट किया कि यदि हेडसेट की ट्रैकिंग थोड़ी डगमगाती है (ड्रिफ्ट), तो 3D मॉडल पूरी तरह से संरेखित नहीं हो सकता है, यही कारण है कि उपयोगकर्ता द्वारा डेटा को साफ करना और मर्ज करना इतना महत्वपूर्ण है।

अंत में, MESH4ID नियंत्रण को वापस इंसान को देने के बारे में है। सब कुछ करने के लिए एक 'ब्लैक-बॉक्स' एल्गोरिदम पर भरोसा करने के बजाय, यह एक ऐसी पाइपलाइन बनाता है जहाँ आप, उपयोगकर्ता, मार्गदर्शक हैं। आप तस्वीरें लेते हैं, गंदगी को साफ करते हैं, और तय करते हैं कि 3D मॉडल कब तैयार है। यह 3D पुनर्निर्माण (reconstruction) के जटिल विज्ञान को एक व्यावहारिक, इंटरैक्टिव अनुभव में बदल देता है जिसे कोई भी VR हेडसेट के साथ आज़मा सकता है।