Создание трехмерной модели на основе одного ракурса

Увеличение потребности в использовании 3D-моделей и их печати связано с растущим спросом на различные профессиональные услуги и продукты. Это объясняется тем, что 3D-технологии находят применение в самых разнообразных областях, например

Архитекторы: Они используют 3D-модели для создания виртуальных прототипов зданий и сооружений. Это помогает им визуализировать проекты, проверить их эргономику, функциональность и внешний вид до начала физического строительства. Это значительно сокращает время и затраты на исправления и изменения в процессе строительства, поскольку потенциальные проблемы можно выявить и устранить на этапе планирования.

Разработчики игр: Создание персонажей, сценариев и анимаций требует использования 3D-моделей. Благодаря этому игровые миры становятся более реалистичными и увлекательными для игроков. Это также позволяет разработчикам экспериментировать с различными идеями и деталями виртуального мира, что способствует созданию более богатого и разнообразного игрового опыта.

Медицинские специалисты: В медицинской сфере 3D-модели используются для визуализации органов человеческого тела, планирования хирургических операций, создания протезов и многого другого. Это не только помогает в обучении студентов медицинских учебных заведений, предоставляя им более наглядные и точные инструменты для изучения анатомии, но и значительно улучшает точность и эффективность медицинских процедур.

Введение 2

Глава 1. Обзор существующих решений 6

1.1. Датасеты 6

1.2. Способы представления 3D-моделей 8

1.3. Метрики 8

1.4. Виды нейронных сетей 9

1.5. Выводы 10

Глава 2. Архитектура сервиса 12

2.1. Описание работы сервиса 12

2.2. Используемые технологии 13

Глава 3. Выбор нейронной сети 17

3.1. Сравнение различных подходов 18

3.2. Наборы данных и фильтрация 18

3.3. Метрики 3D^opm 19

3.4. Оценка результата 21

3.5. Преимущества TripoSR 23

3.6. Выводы 24

Глава 4. Техническая реализация 25

4.1. Разворачивание нейронной сети TripoSR 25

4.1.1. Параметры архитектуры 26

4.1.2. Технические усовершенствования LRM 27

4.2. Разработка парсеров 28

4.2.1. Sketchfab 30

4.2.2. ArtStation 31

4.2.3. CGTrader 32

4.3. Результаты работы сервиса 33

Заключение 34

Список использованных источников 36

Глоссарий 40

Приложения. Фрагменты исходного кода 43

Приложение А. Начало процесса парсинга данных с сайтов 43

Приложение Б. Захват изображения с Sketchfab 44

Приложение В. Захват изображения с ArtStation 45

Приложение Г. Парсинг сайта CGTrader 46

1 . 3D ML. Часть 3: датасеты и фреймворки в 3D ML // habr.com, 2020. - URL: https://habr.com/ru/companies/itmai/articles/516404/ (дата

обращения: 14.10.2023)

2 . ShapeNet // shapenet.org, 2016. - URL: https://shapenet.org/: (дата обращения: 22.03.2024)

3 . ModelNet // paperswithcode.com, 2020. - URL:

https://paperswithcode.com/dataset/modelnet/: (дата обращения:

22.03.2024)

4 . Pix3D: Dataset and Methods for Single-Image 3D Shape Modeling // pix3d.csail.mit.edu, 2018. - URL: http://pix3d.csail.mit.edu/: (дата обращения: 22.03.2024)

5 . ABC Dataset A Big CAD Model Dataset For Geometric Deep Learning // deep-geometry.github.io, 2019. - URL:

https://deep-geometry.github.io/abc-dataset/: (дата обращения: 22.03.2024)

6 . OmniObject3D // omniobject3d.github.io, 2023. - URL:

https://omniobject3d.github.io/: (дата обращения: 22.03.2024)

7 . Scanned Objects by Google Research: A Dataset of 3D-Scanned Common Household Items // research.google, 2022. - URL:

https://research.google/blog/scanned-objects-by-google-research-a-dataset-o f-3d-scanned-common-household-items/: (дата обращения: 22.03.2024)

8 . ИИ в 3D: Где мы сейчас и какое будущее нас ждёт? (Часть 1) // habr.com, 2023. - URL: https://habr.com/ru/articles/790560/ (дата обращения: 15.10.2023)

9 . 3D ML. Часть 1:3D ML.формы представления 3D-данных // habr.com, 2020. - URL: https://habr.com/ru/companies/itmai/articles/503358/ (дата обращения: 16.10.2023)

10 .3D ML. Часть 2: функции потерь в задачах 3D ML // habr.com, 2020. - URL: https://habr.com/ru/companies/itmai/articles/504416/ (дата

обращения: 17.10.2023)

1LSaito, S. PIFuHD: Multi-Level Pixel-Aligned Implicit Function for High-Resolution 3D Human Digitization // shunsukesaito.github.io, 2020. - URL:https:// shunsukesaito. github.io/PIFuHD/ (дата

обращения: 18.10.2023)