Cogvideo

Implementierungsprinzip: COGVIDEO ist ein großflächiges Model mit Textvideo-Generation, das auf der Autoregressionsmethode basiert. Für und Wider: Vorteile: Dieses Modell unterstützt die chinesische Eingabeaufforderung. Nachteile: Die Länge der Eingangssequenz gibt Beschränkungen.

Herausforderung der Produkt Usability

Videoproduktionsgeschwindigkeit, Komfort, Integration von Inhalten und Interaktivität

Stabile und kontrollierbare Herausforderung

Dauerkontrolle, Inhaltskontrolle, Nutzung und Schulung begrenzter Daten, Erzeugungsergebnisse und Prozessanpassung

Material Urheberrecht, Privatsphäre und Sicherheit, Ethik

Compliance -Anwendungsherausforderungen

Videostil -Migration

● künstlerischer Ausdruck von Film- und Fernsehwerken ● Konvertierung im Werbestil

● Film- und Fernseh-/Werbeaufführungsoptimierung ● Reparatur alter Filme und kostbaren Bilddaten ● Verbesserte Sicherheitsüberwachung und medizinische Bildqualität

Videoverbesserung

● Virtuelle Szenen, Charaktere und Spezialeffektegenerierung ● Film Trailer Generation ● Video -Anzeigengeneration ● Dynamische menschliche Körperstruktur und Krankheitsmodellgenerierung

Videogenerierung

● Postproduktion Bearbeitung und Spezialeffektverarbeitung von Film und Fernsehen Ur

Videobearbeitung

● Sicherheitsüberwachung und Frühwarnung, intelligentes Verkehrsmanagement ● Marketing -Inhalts -Etikettengenerierung, Stimmungsanalyse ● Film- und Fernsehanalyse

Videoinhaltserkennung

● Übergangseffekt zwischen Frames ● Kontinuität der Aktion ● Die Glätte des Bildes ● Glattes Schalten von Szenen

Kontinuität

● hohe Auflösung ● Der Realismus der Szene und der Charaktere ● Klare und reiche Bilddetails ● Die Logik des Videoinhalts

● Die Videolänge ist variabel und steuerbar ● Relevanz für eine bestimmte Beschreibung ● Videoattribute und Videoelemente sind kontrollierbar und bearbeitetbar

Kontrollierbarkeit

Realismus

Prinzipien der Implementierung und Vor- und Nachteile des Mainstream -Modells

● Mainstream -Modelle:

Imagin-video

Gen

Implementierungsprinzip: Image-video ist ein Videomodell, das auf Textbedingungen basiert, die basierend auf dem Bildmodell entwickelt wurden. Für und Wider: Vorteile: Die generierten Videos haben High -Treue, Kontrollierbarkeit und Weltwissen, unterstützen die Erzeugung verschiedener Videos und Textanimationen in verschiedenen künstlerischen Stilen und können 3D -Objekte verstehen. Nachteile: Die vom Kaskadierungsmodell verwendete parallele Trainingsmethode erfordert hohe Rechenressourcen.

Implementierungsprinzip: Das Gen-Modell lernt über das potenzielle Diffusionsmodell Text-Image-Funktionen und kann neue Videos basierend auf einer bestimmten Texteingabeaufforderung oder einem Referenzbild generieren oder Bilder mit dem Aufnehmen von Bildstilkonvertierungen basierend auf dem Originalvideo durchführen. Für und Wider: Vorteile: Dieses Modell hat eine gute Leistung in der Video -Rendering und im Stilumwandlungen, und das generierte Video verfügt über eine starke Fähigkeit zur Künstler- und Bildstruktur, die sich besser an die Anforderungen an die Modellanpassung anpassen kann. Nachteile: Das Gen -Modell hat immer noch Einschränkungen bei der Stabilität der generierten Ergebnisse.

● Inländische und ausländische repräsentative Modelle:

Ist es Open Source?

Organisation

Einführung

Modell

Nicht Open Source

Google

Das Text-Video-Generierungsmodell basierend auf Diffusionsmodell hat die Vorteile der Erzeugungsgeschwindigkeit, der guten Videoqualität und der Fähigkeit, eine Vielzahl von künstlerischen Stilen und 3D-Objekten zu verstehen.

Imagin Video

Make-a-video

Meta

Nicht Open Source

Es sind keine Text-Video-Daten erforderlich. Verwenden Sie ein Text-Image-Datentraining, um die Videogenerierung zu erreichen. Dies verbessert die Zeit und die räumliche Auflösung generierter Videos

Nuwa-xl

Microsoft Research Institute

Bereits offen auf Github

Das auf Diffusion über Diffusionsarchitektur basierende ultra-lange Videogenerierungsmodell hat eine gute Videoqualität und Kontinuität und kann die Inferenzzeit erheblich verkürzen

Cogvideo

Tsinghua & Zhiyuan

Bereits offen auf dem Umarmungsface

Multi-Rahmen-hierarchische Trainingsstrategie kann Text- und Videos besser ausrichten, und groß angelegte Trainingsdaten verbessert die Qualität der generierten Videos erheblich.

Selbstversuche Diffusionsmodellstufe

Gan/Vae Fließbasiert Generationsphase

Bildnähte Generationsphase

Video erzeugen

● Entkopplung durch Vordergrund und Hintergrund, Bewegung und Inhaltssegmentierung Lösungen, Bildübersetzung und andere Methoden zur Verbesserung des Erzeugungseffekts ● Die Videoqualität ist immer noch gering

● Autoregressives Modell: Rahmenvorhersageerzeugung, gute Kohärenz, aber geringe Effizienz und Fehler sind leicht zu akkumulieren ● Diffusionsmodell: Migrieren Sie die literarische Bildarchitektur in die Videogenerierung mit hoher Wiedergabetreue, aber hohem Ressourcenverbrauch

● Statische Bildstiche zur Bildung eines Videostreams ● Einfach und einfach zu bedienen, aber geringe Videoqualität und schlechte Kohärenz

Film- und Fernsehspiel -Szenenproduktion, Werbung, digitale Leute

Visuelle Postproduktionseffekte

Film- und Fernsehbearbeitung, Videogesichtswechsel

Typische Anwendungen

Transformator-TTs

Implementierungsprinzip: Transformator-TTS ist ein End-to-End-Sprachgenerierungsmodell, das die Transformatorstruktur kombiniert und es auf das TTS-System anwendet. Insbesondere verbessert Transformator-TTs die Trainingseffizienz durch Einführung eines Aufmerksamkeitsmechanismus mit mehreren Kopf, um eine Encoder-Decoder-Struktur zu konstruieren, verwendet Phonemsequenzen als Eingabe, um ein Melspektrum zu erzeugen, und gibt Wellenformen über einen Wellenet-Vokoder aus. Für und Wider: Vorteile: Das Sprachmodell mit der Transformatorstruktur kann die Trainingsgeschwindigkeit beschleunigen und die Probleme mit geringer Trainingsgeschwindigkeit und Schwierigkeiten bei der Festlegung eines langabhängigen Modells in Tacotron2 löst. Nachteile: Es gibt Probleme mit langsamer Inferenz und Modellabweichung, die durch Akkumulation autoregressiver Fehler verursacht werden.

● Inländische und ausländische repräsentative Modelle:

Tacotron2

Implementierungsprinzip: Tacotron2 ist ein End-to-End-Sprachsynthesemodell, das aus einem Schallspektrum-Vorhersage-Netzwerk und einem Vokoder basiert, das auf der Kombination von Wellenet und Tacotron basiert. Unter ihnen extrahiert das Sequenz-zu-Sequenz-Vorhersage-Netzwerk das Eingabemodell von Textmerkmalen, überlagert die vorhergesagten Werte in das MEL-Spektrum, und der Vokoder erzeugt eine Zeitdomänenwellenform basierend auf der vorhergesagten Sequenz. Für und Wider: Vorteile: Das Problem der Gradientenverschwendung wird durch die Verbesserung des Aufmerksamkeitsmechanismus optimiert, die Klangqualität der Sprachgenerierung ist gut und es ist gut robust für die Eingabedaten. Nachteile: Die Synthesegeschwindigkeit autoregressiver Modelle unter Verwendung der RNN -Struktur ist langsam, es ist schwierig, komplexe Wörter auszusprechen, der erzeugten Sprache fehlt die emotionale Farbe, und die Trainingszeit und die Kosten großer Datensätze sind hoch, und dem Modell fehlt die Kontrollebarkeit.

● Mainstream -Modelle:

Customisierte Nachfrageherausforderungen

3

Multimodal Fusion Challenge

2

1

Datenlücke Herausforderung

Personalisierte Sprachsynthese, professionelle Interaktionsfähigkeit, maßgeschneiderte Sprachingenieurwesensfähigkeit

Konvergenz der Wahrnehmungs-, kognitiven und synthetischen Technologien zur Anwendung von Produktkontrollierbarkeits- und Generalisierungsfunktionen

Training mit niedriger Ressourcen-Sprachsynthese, Textverbesserung, Konstruktion von synthetischen Daten und Niederschlagsvorschriften für Benutzerdaten

Sprachumwandlung Stilübertragungsanwendung: Film, Fernsehen, Animation, Spiele und andere Felder: Einstellung von Stimmen verschiedener Charaktere Szenarien, die Privatsphäre und Sicherheit beinhalten: Datenschutzverarbeitung von Sounds Synthetische Datenanwendung: Synthetischen Daten bilden und das Maßstab der Schulungsdaten erhöhen

Sprachverbesserung, Sprachreparatur Führen Sie Rauschreduzierung, Filterung, Verstärkung und andere Verarbeitung bei Sprachsignalen durch Anwendungsszenarien: Telefonaufzeichnung, Videokonferenzen, Sprachinteraktionsdienste in öffentlichen Umgebungen zur Verbesserung der Spracherkennungsfunktionen und der Qualität der Generation Anwendung historischer Audiodaten: Wiederherstellung historischer Audiodaten, spekulative Synthese der alten Sprachaussprache Wert der historischen Forschung: Es hat einen wichtigen Anwendungswert für die historische Forschung

Musikgenerierung Kohärente Musik mit semantischem und konsequentem Stil kann basierend auf dem aufgeforderten Audioclip oder Textbeschreibung generiert werden. Musik- und Film- und Fernsehfelder: Song -Arrangement, Musikstil -Verfeinerung, Hintergrundmusik und Umgebungsgeräuschgeneration usw.

Sprachinteraktion Dialog-Szenario-Anwendung des Mensch-Computers: In verschiedenen Arten von Dialogen von Mensch-Computer-Dialogen wird häufig verwendet Enterprise Services, Finanzen und andere Branchen: Intelligente Kundendienstroboter führen Sprach Q & A mit Kunden durch, um Arbeitskosten zu sparen Haushaltsgeräte, Automobile und andere Branchen: Smart Home, Smart Car -Szenarien, Sprachassistenten vollständige Benutzerbefehle Nachrichten- und Medienindustrien: Gleichzeitige Interpretationsarbeit in internationalen Konferenzen, Ausstellungen und anderen Aktivitäten

Phonetische Synthese Anwendungen im Bereich der Pan-Entertainment: langfristige Klangproduktionsszenen wie Nachrichtensendungen, Audio-Lesen und andere langfristige Soundproduktionsszenarien und industrielle Fertigung Anwendungen: Sprachnavigation, Verkehrsbefehl Industrielle Automatisierungssteuerung Anwendungen der Cross-Sprach-Synthese: Ausspracheübersetzung, Sprachlernen Anwendung im medizinischen Bereich: medizinische tragbare Geräte wie künstliche Hals

Spracherkennung Feature -Extraktion und Umwandlung von Eingabe -Audio in entsprechende Text oder Befehle, um die Textkonvertierung von Stimmaussagen oder verschiedene Audioinhalte zu realisieren Anwendung von C-End-Szenario: Spracheingangsmethode und mündliche Hinweise auf Smartphones Branchenanwendungsszenarien: Archivab Abruf, Elektronikeintrag, Film- und Fernsehsachenproduktion

Audio erzeugen

● Kontrolle der Sprachgeschwindigkeit, Rhythmus und Rhythmus ● Fähigkeit zur Text- und Ausspracheverständnis in unterschiedlichem Sprachhintergrund ● Erfassen Sie die Eigenschaften emotionaler Phoneme

Kontrolle Fähigkeit

Stimme Qualität

● hohe Genauigkeit ● Anti-Interferenz-Fähigkeit

erzeugen Geschwindigkeit

● Einzelne Benutzer: Kann die Erzeugungsgeschwindigkeit in Echtzeit auf Anforderungen reagieren? ● Enterprise -Benutzer: Die Auswirkungen der Erzeugungsgeschwindigkeit auf Geschäftsprozesse

● Aktuelle Mainstream -Audio -Synthesemethode ● Reduzieren Sie die Schwierigkeit, Linguistikkenntnisse auszubilden ● Der Klang ist natürlich und nähert sich der Wirkung der Stimme der realen Person

● Die erforderlichen Original -Schalldaten sind gering und sind reibungslos gelten ● viel Lärm ● schwerere Sprachmechanik

● Die Klangqualität basiert besser auf der Aufnahme der echten Person ● Verweilen Sie sich auf das Datenbankdatenvolumen der Sprachdatenbank ● Der Wortverbindungsübergang ist relativ steif

End-to-End-Synthesestadium

Parameter -Synthesestufe

Synthesestadium spleißen

Melodie erzeugen, Musik

Basierend auf visuellen Inhalten (Bild oder Video) Machen Sie eine Sprachbeschreibung

Text-to-Speech Synthese Aussprachen basierend auf Text synthetisieren

3

Vorschriftenregulierung und Datenschutzschutz Urheberrechtsschutz AI Governance

2

Produktisationsfähigkeit Aufforderung verstehen Verwendung von Feinabstimmungswerkzeugen

Datenfähigkeit Einschaltkreisgang von Datenvermögenswerten

1

Bild Super -Auflösung Medizinische Fälle und anatomische Strukturschöpfung Astronomische Beobachtung, Satellitenfernerfindung Martingale Farbmessung Messung

Bildreparatur Wiederherstellung des digitalen historischen Dokuments, Bildreparatur alte Fotos und alte Filmreparatur

Bildgenerierung, Bildstilkonvertierung Kunstkreation, Bildbearbeitung, Bildkünstler -Cartoon -Charaktere, Spielerproduktionsposter, Produktlogo und Verpackungsdesign

Bildklassifizierung, Bildsegmentierung Zielerkennung, Bildabruf -Industriedesign Analyse der Veränderungen der Annotation der medizinischen Bildgebung und der anatomischen pathologischen Struktur

3

4

2

1

Bildkontrollierbarkeit Bilddetailsteuerung Nachfolgende Anpassungen

Bilddiversität Detailausdruck und Stilausdruck Semantische Konsistenz mehrerer Bilder oder unterschiedlicher Stile

Bildstabilität Beschreiben Sie Daten für Verzerrungen, Verzerrungen und Ausnahmen Anti-Interferenz-Fähigkeit

Bildqualität Der Reichtum der Bildqualität und detaillierte Informationen Die Realität des Bildes

Einführung

Basierend auf dem potenziellen Diffusionsmodell -Framework kann die Rechenleistung und die Bereitstellungsschwellen reduziert werden, die speziell für literarische Grafikaufgaben verwendet werden.

Basierend auf dem Rahmen des Clip- und Diffusionsmodells kann die Erzeugung von Bildern eine gute semantische Konsistenz beibehalten

Ein multimodales Generationsmodell, das auf dem Diffusionsmodell -Framework basiert, schlägt ein Hybrid -Expertenmodell vor und wählen Sie automatisch das Netzwerk der optimalen Generation aus

Basierend auf dem Bildgenerierungsmodell nach feiner Anpassung des Diffusionsmodell

Ist es Open Source?

Github Open Source

Nicht Open Source

Nicht Open Source

Nicht Open Source

Mechanismus

Stabilität

Offen

Baidu

Midjourney

Modell

Stabile Diffusion

Dall-e2

Midjourney V5

Wenxin Ernie-vilg2.0

● Inländische und ausländische repräsentative Modelle:

Clip: kontrastives Sprachbild vor dem Training

Implementierungsprinzip: Das vorhandene Text-Image-Quermodal-Modell, das auf Kontrastlernen basiert, besteht darin, den Text und die Bilder durch einen Encoder zu extrahieren, den Text und die Bilder in denselben Repräsentationsraum zuzuordnen und das Modell durch die Ähnlichkeit und Differenzberechnung des Textbildpaars zu trainieren, so dass Bilder, die der Beschreibung entsprechen, basierend auf dem angegebenen Text erzeugt werden können. Für und Wider: Vorteile: Es müssen keine Daten im Voraus markiert werden, in der Bildtextklassifizierungsaufgabe von Null-Stichproben gut abschneiden, genauere Textbeschreibung und Bildstil, nicht wesentliche Details des Bildes ändern, ohne die Genauigkeit zu ändern und in Bezug auf die Vielfalt in generierten Bildern besser abzuschneiden. Nachteile: Es gibt Einschränkungen bei der Leistung komplexer und abstrakter Szenarien, und der Trainingseffekt hängt von groß angelegten Textbildern ab, um relativ große Datensätze und Schulungsressourcen zu konsumieren.

Implementierungsprinzip: Durch Definieren einer Markov -Kette eines Diffusionsschritts wird das Bild erzeugt, indem die Daten kontinuierlich hinzufügen, bis ein reines Gaußscher Rauschdaten erhalten wird und der umgekehrte Diffusionsprozess gelernt wird, und das Bild wird durch Reversendeverstärkung der umgekehrten Rauschen erzeugt. Das Diffusionsmodell stört die Verteilung in den Daten systematisch und stellt dann die Datenverteilung wieder her, wodurch der gesamte Prozess eine allmähliche Optimierungseigenschaft erscheint, um die Stabilität und Kontrolle des Modells zu gewährleisten. Für und Wider: Vorteile: genauer wiederherstellen reale Daten, stärkere Fähigkeit, Bilddetails und besseres realistisches Bild zu halten. Insbesondere bei Anwendungen wie Reparaturen von Bildvervollständigungen und molekularen Kartenerzeugung kann es gute Ergebnisse erzielen. Nachteile: Komplexe Berechnungsschritte, langsame Stichprobengeschwindigkeit und schwache Verallgemeinerungsfähigkeit zu Datentypen.

Diffusionsmodell

● Mainstream -Modelle:

Diffusionsmodellgenerierungsstadium

● Aktuelles Mainstream -Bildgenerierungsmodell ● Der Diffusionsprozess verbessert die Stabilität, Genauigkeit und Vielfalt signifikant In Kombination mit Clip kann es auf Aufgaben zur Erzeugung der bildmodalen Bildung angewendet werden ● Verbessern Sie die Geschwindigkeit und Qualität der generierten Bilder erheblich.

Autoregressionserzeugungsstadium

● Der auf der Transformatorstruktur basierende Selbstbekämpfungsmechanismus verbessert die Stabilität und Rationalität ● Probleme der Inferenzgeschwindigkeit und der Schulungskostenbegrenzungsanwendungen

● Bildgenerierungsmodell der Vorgängergeneration ● Verbesserung der Erzeugungs- und Identifizierungsfähigkeit durch Konfrontationstraining ● Schlechte Stabilität, mangelnde Vielfalt und Musterkollaps

Gan -Generationsphase

Wahre Farbbilderzeugung

RGB -Diagramm

Verwenden Sie die Kombination von RGB -Drei -Primärfarben, um den Farbwert jedes Pixels darzustellen, und speichern Sie ihn direkt in der Bildmatrix

Bilderzeugung mit relativ einfacher Farbzusammensetzung wie molekularen Karten

Konstruiert durch eine zweidimensionale Matrix und eine Farbindexmatrix-Karte, die das Bild speichert

Indexdiagramm

Bildgenerierung

Bild-zu-Image Generieren Sie neue Bilder aus vorhandenen Bildern

Bildkomposition Bildsynthese

Text-to-Image Generieren Sie semantische Bilder basierend auf der Textbeschreibung semantische Bilder

AIGC - Audiogeneration

AIGC - Videogenerierung

AIGC - Bildgenerierung

Definition

Definition

Definition

Die Audiogenerierung bezieht sich auf den Prozess der Synthese der entsprechenden Schallwellenformen basierend auf den Eingabedaten.

Die Videogenerierung bezieht sich auf das Training der künstlichen Intelligenz, mit der sie automatisch hochwertige Videoinhalte generieren können, die der Beschreibung entsprechen, basierend auf bestimmten einzelnen Modell- oder multimodalen Daten wie Text, Bildern, Videos usw.

Die Bildgenerierung bezieht sich auf den Prozess der Verwendung künstlicher Intelligenz-Technologie, um Bilder einzelner Modal oder Quermodal basierend auf bestimmten Daten zu generieren. Abhängig von den Aufgabenzielen und Eingabemodi enthält die Bilderzeugung hauptsächlich die Bildsynthese, die Erzeugung neuer Bilder basierend auf vorhandenen Bildern (Image-to-Image) und die Erzeugung semantischer Bilder basierend auf Textbeschreibungen (Text-to-Image).

Die Haupttypen und Anwendungsbereiche der Audiogenerierung

Die Haupttypen und Anwendungsbereiche der Videogenerierung

Haupttypen und Anwendungsfelder der Bildzusammensetzung

Typische Anwendungen

Natur

Datentyp

Natur

Datentyp

Bildtyp

Natur

Typische Anwendungen

Informationsübertragung, Interaktionsdienste für Mensch-Computer

Textinformationen extrahieren und Sprachinformationen synthetisieren

Textinformationen

Bearbeiten, synthetisieren und bearbeiten Sie mehrere Videos, um neue Videos zu generieren, einschließlich Video -Attributbearbeitung, Clip -Bearbeitung, Video -Teil -Bearbeitung usw.

Generation bearbeiten

Binärgrafik

Die zweidimensionale Matrix des Bildes besteht aus nur 0 (schwarz) und 1 (weiß), die als Binarisierung des Graustufendiagramms angesehen werden können.

Textextraktion, Bildfunktionsextraktion

Sprachbearbeitung, Sprachübersetzung, Musikproduktion

Basierend auf einem bestimmten Sprachsegment bearbeiten oder eine Sprache in die Sprachinformationen einer anderen Sprache konvertieren

Audioinformationen

Fügen Sie vorhandenen Videos wie Filter, Licht und Schatten, Feuerwerk usw. eine Vielzahl von Effekten hinzu, um die Kreativität und den künstlerischen Effekt des Videos zu verbessern

Spezialeffektgenerierung

Graustufen

Der Wertbereich der zweidimensionalen Matrixelemente beträgt normalerweise 0 (reines Schwarz) bis 255 (reines Weiß), und die mittlere Zahl repräsentiert die Übergangsfarbe zwischen Schwarz und Weiß.

Medizinisches Bild und Fernerkundung Bilderzeugung

Medizinische tragbare Geräte

Muskelbewegungen wie Hals und Gesicht wahrnehmen und die Stimme synthetisieren

Muskelschwingung

Inhaltsgenerierung

Generieren Sie entsprechende Videoinhalte basierend auf dem angegebenen Text, Bildern und anderen Informationen

Identifizieren und verstehen visuelle Inhalte wie Bilder und Videos und generieren Sie Sprachinformationen, die der Lippenform entsprechen

Digitale Menschen

Visueller Inhalt

Schlüsselphasen der technologischen Entwicklung der Bildzusammensetzung

Schlüsselphasen der technologischen Entwicklung der Audiogenerierung

Schlüsselphasen der technologischen Entwicklung der Videogenerierung

Prinzipien der Implementierung und Vor- und Nachteile des Mainstream -Modells

Herausforderung der Bildungserzeugung Kommerzialisierung Implementierung

Schlüsselfaktoren, die die Anwendungsfunktionen von Modellen beeinflussen

Typische industrielle Anwendungsszenarien für die Bildgenerierung

Anwendungen der Mainstream -Audiogenerierung

Modell

Einführung

Organisation

Ist es Open Source?

Tacotron2

Erstens schlägt es ein End-to-End-Sprachsynthesemodell als Infrastruktur mehrerer Sprachsystemlösungen vor

Google

Bereits offen auf Github

Automatisches Spracherkennungsmodell zur Verbesserung der Spracherkennungsfunktionen durch große und diversifizierte Datensätze und unterstützt Sprachtranskription, Sprachübersetzung usw.

Bereits offen auf Github

Offen

Flüstern

Vollfaltes Modell für Sprachsynthese für die Fischung zu Sequence zu Sequence kann durch Erweiterung des Datensatzes für Sprachsynthese-Modelltrainingsmodellverbesserung verbessert werden.

Nicht Open Source

Baidu

Deepvoice3

Chinesisches Sprachmodell für industrielles chinesisches Sprachmodell, unterstützt multimodale Spracherkennung, emotionale Anerkennung, Anerkennung von Sprachabdrücken und andere Aufgaben

Nicht Open Source

Iflytek

Smart-TTs

Schlüsselfaktoren, die die Anwendungsfunktionen von Modellen beeinflussen

Schlüsselfaktoren, die die Anwendungsfunktionen von Modellen beeinflussen

Die Herausforderung der Kommerzialisierung der Audiogenerierung

Typische industrielle Anwendungsszenarien für die Audiogenerierung

Typische industrielle Anwendungsszenarien für die Videogenerierung

Herausforderung für die Kommerzialisierung der Videogenerierung

Chip -Design

Nahrung und Landwirtschaft

Energie

Materialwissenschaft

Persönliche Fürsorge

Die Technologie für künstliche Intelligenz entwickelt sich rasant, und neue Technologien können vorhandene Technologien ersetzen und so den kommerziellen Wert bestehender Technologien beeinflussen.

Technologieentwicklungswettbewerb

● Die Entwicklung von Arzneimitteln erfordert eine strenge Zulassung ● Urheberrechtsprobleme für integriertes Schaltungsdesign ● Molekulare Entdeckungsmodelle können verwendet werden, um verbotene Arzneimittel und gefährliche Produkte zu entwickeln

Gesetz Mit Sicherheit

Entwicklung und Überprüfungskosten

Drogendesign

Anwendbarkeit

Qualität erzeugen

Schlüssel Faktor

Die Modelle für molekulare Entdeckungen und integrierte Schaltungskonstruktionen müssen für bestimmte Konstruktionszwecke geeignet sein. Das integrierte Schaltungsdesignmodell muss auch das Modell erneut übertragen, die Architektur ändern, Parameter manuell anpassen, Entdeckungsprinzipien usw. in Kombination mit den industriellen Designzwecken für die industriellen Anforderungen angewendet werden.

Bei Modellen zur molekularen Entdeckung und integrierten Schaltungskonstruktionen ist die Qualität der Erzeugung der Kernfaktor, der seine Anwendungsfunktionen bestimmt.

Verdrahtung

Jobtyp

Jobziele

Repräsentatives Modell

Grundlegende Algorithmen und Modelle

Traumplatz

Parameteroptimierung des neuronalen Netzwerks

Layout -Optimierung des maschinellen Lernens

Grafik Neurales Netzwerk

PL-GNN

Grafik Neurales Netzwerk

Verstärkungslernen

Vollständiger Faltungsnetzwerk

Faltungsnetzwerk

Faltungsnetzwerk

Multi-Layer-Erfassungsmaschine

... ...

Faltungsnetzwerk

Variations -Autocoder

Monte Carlo Tree Search

RL für CF2

Deepplace

Künstliche Intelligenz -Layoutentscheidung

CNN für RDP3

FCN für RDP4

Betrachten Sie Layoutentscheidungen für die Verkabelung

ML für RDPE

Dlroute

Künstliche Intelligenzverkabelung Optimierung

... ...

Deeppr

VAE für CR6

MCTs für CR5

Künstliche Intelligenzverkabelungsentscheidung

Layout

Komplettes Layout- und Verkabelungsdesign

Kabellayout

Anwendungsszenarien für molekulare Entdeckungen und Schaltungsdesign

Kombinationsoptimierungsmethode

Methode der tiefen Generation

Markov -Kette Monte Carlo

MIMOSE

Zweidimensional

MARS

Zweidimensional

Konfgf

Dreidimensional

Diffusionsmodell

Dreidimensional

EVFN

Eindimensional

ORGEL

Zweidimensional

Eindimensional

Zweidimensional

Dreidimensional

Dreidimensional

MOIDQNMOIDON

Verstärkungslernen

GB-Ga

Gesteinigt

Genetischer Algorithmus

Bokei

BOA

Bayes'sche Optimierung

Defaktor

Eindimensional

Generieren Sie kontrovers Netzwerke

Zweidimensional

ORGEL

GraphNVP

Zweidimensional

Standardisierter Fluss

Zweidimensional

Moflow

Sg-vae

Eindimensional

Variations -Autocoder

Zweidimensional

CGVAE

Sf-rnn

Eindimensional

Zweidimensional

MolekularRnn

Autoregressives Modell

Eine Darstellung erzeugen

Repräsentatives Modell

Verwendete Algorithmen und Modelle

Methode erzeugen

Prinzip

Jobtyp

Bei einer Reihe von integrierten Schaltungskomponenten, einschließlich Standardeinheiten, Makromodulen, Logikgoren usw. sowie charakteristische Informationen wie Breite und Höhe dieser Komponenten, Es ist auch notwendig, Informationen über die Verbindungsbeziehung zwischen den PIN -Positionen dieser Komponenten und den Komponenten zu geben und die physischen Positionen der Komponenten basierend auf den obigen Informationen zuzuordnen, damit sich die Komponenten nicht überlappen.

Layout

Verdrahtung

Nach Abschluss des Layouts wurde die Pinposition der Komponente ermittelt, und die Verbindungsbeziehung zwischen den Komponenten wurde ebenfalls in dem während des Layout reservierten Kabelbereichs ermittelt. Entsprechend der Verbindungsbeziehung zwischen Komponenten und Anforderungen wie der minimalen Gesamtverkabelungslänge und der Zeitverkleidung zwischen Komponenten wird der Verbindungskreis zwischen den Komponenten ohne Verstoß gegen die Verdrahtungsregeln ausgelegt.

Normalerweise schriftlicher Textinhalt, der sachlich, funktional oder unterhaltsam ist

Dreidimensionale Darstellung

AIGC - Molekulare Entdeckung und Schaltungsdesign

Definition

Molekulare Entdeckung und Schaltungsdesign beziehen sich auf die Verwendung maschineller Lernen, tiefes neuronales Netzwerk und anderen Technologien, um die Struktur, Regeln und Eigenschaften von Molekülen und integrierten Schaltungen zu erlernen und Moleküle und integrierte Schaltungen mit ähnlichen Strukturen zu erzeugen, entsprechen spezifischen Regeln und haben Zieleigenschaften.

Haupttypen und Anwendungsfelder der molekularen Entdeckung und des Schaltungsdesigns

Ausdrucksmethode

Prinzip

Eindimensionale Darstellung

Moleküle als Saiten ausdrücken, um die Atome und Strukturen von Molekülen in Zeichen auszudrücken

Zweidimensionale Darstellung

Express Moleküle als Diagrammdaten, bei denen Atome und Bindungen als Punkte bzw. Kanten von Graphendaten dargestellt werden

Mainstream -Modell der molekularen Entdeckung

Modell des Mainstream -Schaltungsmodells

Schlüsselfaktoren, die die Anwendungsfunktionen von Modellen beeinflussen

Risiken der Kommerzialisierung der molekularen Entdeckung und des Schaltungsdesigns

● Die Entwicklung erfordert viele Daten und Talentkosten ● Der Überprüfungsprozess erfordert viel Unsicherheit und hat einen langen Zyklus

03 Technologie- und Anwendungssubstitutionsrisiken

02 Informationssicherheitsrisiken

01 Fehlermeldung Schädliche Informationen

E-Commerce-Industrie

Nachrichten und Medien

Bildungsbranche

● Produktbeschreibung generieren ● Produktbewertungen analysieren ● Produktempfehlungen generieren ● Generieren Sie einen Analysebericht

● Nachrichtenberichte generieren ● Führen Sie die Erstellung von Inhalten durch ● Generieren Sie Hosting Oral Sendung ● Anzeigendokument erstellen

● Unterrichtsplan erstellen ● Unterrichtsplan erstellen ● Unterstützung bei der Korrektur von Hausaufgaben ● Bereitstellung von Studienunterricht zur Verfügung

Produktspanne

● Unterstützung bei der Entwicklung von IT -Produkten ● Testfälle generieren ● Produkthandbuch erzeugen ● Betriebsschritte erzeugen

Kundendienstbranche

● Generieren Sie eine Lösung ● Intelligente Kundendienstlösung ● Kundenabsichten verstehen ● Exklusiver Kundendienst für große Kunden

Marketing

● Generieren Sie ein Angebot ● Erstellen Sie einen Verkaufsplan ● Marktdaten analysieren ● Verkaufsdaten analysieren

Medizinische Industrie

● Helfen Sie Ärzten beim Schreiben von medizinischen Plänen ● Helfen Sie Ärzten beim Schreiben von medizinischen Unterlagen ● Patienten helfen, medizinische Ressourcen zu entsprechen ● Bereitstellung von Diagnose- und Behandlungsanleitungen für Patienten

● Analysieren Sie eine große Anzahl von Finanzberichten ● Generieren Sie eine Zusammenfassung der wichtigsten Informationen ● Beratung für Anlagestrategie geben ● Generieren Sie einen Datenanalysebericht

Finanzindustrie

Anpassungs- und Innovationsfähigkeiten

Differenzierte Kundenbedürfnisse erfüllen Auf Marktveränderungen mit Innovation reagieren

Produktbetrieb und Kundendienstunterstützung

Erhöhen Sie die Klebrigkeit der Benutzer und erhöhen Sie die Migrationskosten Benutzerkonvertierung und -aufbewahrung erkennen

Marketingfähigkeiten

Wirksame Kostenverdünnung Gewinnspanne sicherstellen

Erweiterte Modellwissensdomäne Entdecken Sie Anwendungsschmerzpunkte und Anwendungsanforderungen

Qualität erzeugen

Tongyi Qian Fragen

Wen Xins Worte

diskutieren

Alibaba Cloud

Baidu Smart Cloud

Shang Tang

China

China

China

Benchmarking gegen Chatgpts chinesische universelle Sprachgenerierungsanwendung, Zugriff auf Anwendungen wie Baidu -Suchmaschinen, Baidu -Bibliothek, Xiaodu Smart Assistant usw., die Zusammenarbeit mit vielen Unternehmen und Institutionen erreicht, um die Anwendungsszenarien der Sprachgenerierung zu erkunden

Ja

NEIN

NEIN

Benchmarking der chinesischen Anwendung der gemeinsamen Sprachgenerierung von ChatGPT und unterstützte maßgeschneiderte Modelle von Unternehmen

Benchmarking gegen Chatgpts chinesische universelle Sprachgenerierungsanwendung und die Anwendung der vertikalen Sprachgenerierung für medizinische und Programmierszenarien werden gestartet

Claude

Benchmarkieren Sie die Anwendung der gemeinsamen Sprachgenerierung von ChatGPT, optimieren

Anthropisch

Übersee-

Ja

Online geöffnet

Ja

Ja

Markt

Übersee-

Übersee-

Organisation

Offen

Google

2022-to-Datum: Bewerbungsbeschleunigungsperiode ● Die Erzeugung der Sprachqualität steht im Einklang mit menschlicher Ebene ● Branchenunternehmen untersuchen aktiv die Anwendungsszenarien und Anwendungsmethoden der Sprachgenerierung in verschiedenen Branchen und Bereichen

Ⅵ

Ⅴ

F

E

Ⅳ

2020-2021: Anwendungsforschungszeitraum ● Die Fähigkeit zur Sprachgenerierung erfüllt die grundlegenden Anwendungsanforderungen ● Branchenunternehmen untersuchen zunächst Anwendungsszenarien für Aufgaben zur Erzeugung von modaler Sprache

2018-2019: Model Exploration Periode ● Das Modell der Sprachgenerierung hat ein klares Paradigma ● Legen Sie die technische Grundlage für Anwendungen für die Erzeugung mit geringer modaler Sprache

D

Ⅲ

C

Ⅱ

B

Ⅰ

2017: Technologieentwicklungsperiode ● Schlagen Sie Transformator Architecture, Yingding Technology Foundation vor ● Es können nur hoch gemusterte Aufgaben zur Erzeugung der Spracherzeugung erledigt werden

Vor 2017 ● Schwache Fähigkeit zur Sprachgenerierung ● Die Anwendung kann nur hoch gemusterte Sprachgenerierungsaufgaben erledigen

Schnelle Entwicklungsperiode

Marktstartzeit

Explorationszeit

A

Anwendungen der Mainstream -Sprachgenerierung

Einführung

Anwendungsname

Benchmark Universal Language Generation Application, die besten Ergebnisse bei Aufgaben mehrerer Sprachengenerierung wie Textgenerierung, Textübersicht, Textänderung, Interaktion mit natürlicher Sprache, Codegenerierung usw. und Zusammenarbeit mit vielen führenden Unternehmen und Institutionen, um die Anwendungsszenarien der Sprachgenerierung zu untersuchen

Chatgpt

Benchmarking Die Anwendung der universellen Sprachgenerierung von ChatGPT, Zugriff auf die Google -Suchmaschine, um die Sucherfahrung zu optimieren und auf Google Office -Produkt -Ökosystem zugreifen zu können

BARDE

Interaktion bereitstellen

Inhalte generieren

Normalerweise schriftlicher Textinhalt, der sachlich, funktional oder unterhaltsam ist

Blog -Artikel, Nachrichten, E -Mails, Romane, Codes

Generieren Sie einen festen Formatvertrag usw.

Es kann bei der Erstellung von literarischen Inhalten beitragen und verschiedene Inhalte zusammenfassen.

AIGC - Sprachgenerierung

Definition

Die Sprachgenerierung bezieht sich auf das semantische Wahrscheinlichkeitsmodell, das neuronale Netze gelernt haben, die Sprachen entsprechend den Aufgabenanforderungen generieren können, und die generierten Sprachen umfassen natürliche Sprache, Programmiersprache und logische Sprache usw.

Die Haupttypen und Anwendungsbereiche der Sprachgenerierung

Datentyp

Natur

Typische Anwendungen

Gemeinsame Sprache erzeugen

Verfügen über viele gemeinsame Domänenkenntnisse und kann verschiedene Arten von Aufgaben der Sprachgenerierung entsprechend den Anforderungen erledigen

Voxelgitter, Punktwolke und Maschen

Vertikale Sprachgenerierung

Zusätzlich zu einem gewöhnlichen Domänenkenntnis gibt es auch professionelle Domänenkenntnisse.

Finanzbericht Schreiben und Analyse usw.

Schlüsselphasen der technologischen Entwicklung in der Sprachgenerierung

Schlüsselfunktionen für die Kommerzialisierung von Anwendungen zur Sprachgenerierung

Typische industrielle Anwendungsszenarien für die Sprachgenerierung

Risiko einer Vermarktung der Sprachgenerierung

Aufgrund der grundlegenden Natur der Semantik können alle Arten von Anwendungen aus der semantischen Ebene entkoppelt und dekonstruiert werden.

Beim Generieren von Anwendungen mit Sprachen, da viele Produkte und Dienste auf öffentlichen Cloud -Diensten basieren oder Informationen auf den Anbieterserver hochladen müssen, kann das Risiko von Informationsleckagen auftreten.

Das Erzeugen von Fehlinformationen und schädlichen Informationen kann einen enormen Einfluss auf den Ruf und das Produkt im Rahmen von Marken haben und daher zu einem enormen Risiko für die Kommerzialisierung von Anwendungen der Sprachgenerierung werden.

Technologische Innovationsprobleme

Challenge für Szenarioanwendungen Implementierung

Copyright Challenge

Gegenwärtig werden viele Anwendungsszenarien, die die Möglichkeit haben, durch die dreidimensionale Erzeugung der künstlichen Intelligenz kommerzialisiert zu werden, wie z. B. Filmproduktion, Produktkonzeptdesign, dreidimensionale Vermögensproduktion usw., von Benutzern in tatsächlichen Anwendungen immer noch akzeptiert. Der Grund, warum die dreidimensionale Erzeugung in dieser Art von Anwendungsszenario weiterhin verwendet wird, ist, dass es notwendig ist, die Einheit des Bildinhalts aus verschiedenen Perspektiven zu gewährleisten, sodass die dreidimensionale Generation in diesen Szenarien immer noch einen einzigartigen Anwendungswert hat.

Gegenwärtig erfordern viele dreidimensionale Generierungsanwendungen für künstliche Intelligenz noch eine große Menge an Textdaten und zweidimensionale Bilddaten als Grundlage für Trainingsmodelle. Wenn diese Daten aus urheberrechtlich geschützten Vermögenswerten stammen, ist die Verwendung dieser Daten zur Kommerzialisierung anfällig für Urheberrechtsfragen.

03

02

01

Die Anwendungsszenarien der dreidimensionalen Erzeugung können grob in Szenarien für Fachleute und Szenarien für gewöhnliche Verbraucher unterteilt werden. Szenarien für Fachleute erfordern die Fähigkeit künstlicher Intelligenz, die Anwendungsanforderungen auf industrielle Linienebene wie hochwertige Generation und hohe Kontrollierbarkeit zu erfüllen. Anwendungsszenarien für gewöhnliche Verbraucher haben jedoch relativ geringe Anforderungen an die Qualität und Kontrolle der dreidimensionalen Erzeugung künstlicher Intelligenz, die Anwendungen für normale Verbraucher haben jedoch im Allgemeinen hohe Anforderungen an die Erzeugungseffizienz.

Herausforderungen für die Kommerzialisierung der 3D -Generation

Virtuelle Realität

Bildungsausbildung

Verwenden Sie die 3D -Generationstechnologie, um realistische virtuelle Welten und Charaktere zu schaffen, um den Realismus und den Eintauchen der virtuellen Realität zu verbessern.

Lehrer und Schüler nutzen die dreidimensionale Generationstechnologie, um komplexes wissenschaftliches und technisches Wissen besser zu verstehen und zu lernen und die Effektivität und Lerneffizienz der Lehre zu verbessern.

Film- und Animationsproduktion

Kunstdesign

Verwenden Sie die 3D -Generationstechnologie, um realistische 3D -Szenen und -charaktere zu erstellen und komplexe visuelle Effekte zu erzielen, um die Qualität und das Betrachten von Filmen und Animationen zu verbessern.

Verwenden Sie die dreidimensionale Generationstechnologie, um digitale Kunstwerke, digitale Skulpturen und andere kreative Arbeiten zu erstellen, um die Effizienz und Ausdruckskraft der Schöpfung zu verbessern.

Architektonisches Design

Gesundheitspflege

Verwenden Sie die 3D -Generationstechnologie, um Architekturmodelle und visuelle Renderings schneller zu erstellen und die Designeffizienz und -genauigkeit zu verbessern.

Verwenden Sie die dreidimensionale Generationstechnologie, um realistische menschliche Organmodelle und medizinische Geräte für Gebiete wie medizinische Ausbildung, chirurgische Simulation und Diagnose der Krankheiten zu erstellen.

Industrielle Fertigung

Verwenden Sie die 3D -Generationstechnologie, um Teile und Formen schneller zu erstellen, die Produktionseffizienz und -genauigkeit zu verbessern und die Produktionskosten zu senken.

Verwenden Sie die 3D -Generationstechnologie, um schnell realistische 3D -Szenen und virtuelle Charaktere zu erstellen, um den Realismus und den Eintauchen des Spiels zu verbessern.

Spielentwicklung

Typische industrielle Anwendungsszenarien für die dreidimensionale Erzeugung

Kontrollierbarkeit

Verständnis des Unterrichts stärken Die Modellierungsarbeiten sind von der Rendering -Arbeit getrennt, und der Gitterexpression ist erforderlich

Erzeugungseffizienz

Große Berechnungen und langsame Geschwindigkeitsgeschwindigkeit Die Schulungserzeugung erfordert hohe Hardwareanforderungen

Modellfinanz und Genauigkeit Auflösung von Rendern, Genauigkeit Materialausdruckgenauigkeit

Qualität erzeugen

Schlüsselfaktoren, die die Anwendungsfunktionen von Modellen beeinflussen

Magic3d Modell

Implementierungsprinzip: Zunächst wird ein einfaches, einfaches Rendering-Hash-Grid-3D-Modell mit geringer Auflösung verwendet, um eine niedrige Auflösung, ein einfaches Rendering des Hash-Grid-3D-Modells zu erzeugen, und dann eine höhere Qualitätswiedergabe des 3D-Modells, um eine Methode zu verwenden, die einer ähnlichen Methode wie herkömmliche Computergrafiken ähnelt. Für und Wider: Vorteile: Das dreidimensionale Modell, das von Magic3D-Modellen erzeugt wurde, hat eine höhere Auflösung, einen besseren Rendering-Effekt und eine erhebliche Verbesserung der Erzeugungseffizienz. Nachteile: Das Magic3D -Modell hat eine hohe Nachfrage nach Rechenressourcen, lange Modelltrainingszeit, große Auswirkungen auf die Textbeschreibung und eine starke Abhängigkeit von spezifischem Domänenwissen.

Dreamfusionsmodell

Implementierungsprinzip: Es basiert hauptsächlich auf der Diffusionsmodell-Technologie im Deep Learning und kombiniert die Konzepte von Neuralstrahlungsfeldern (NERF) und Text-Image-Diffusionsmodell. Für und Wider: Vorteile: Es kann qualitativ hochwertige und realistische 3D-Modelle aus Textbeschreibungen erzeugen und die Erzeugung und Optimierung der Mehrwinkel unterstützt, wodurch die Kohärenz und Realität von 3D-Szenen verbessert wird. Nachteile: Es hat eine hohe Abhängigkeit von Hardware -Ressourcen, und die Verallgemeinerungsfähigkeit des Modells muss verbessert werden.

Clip-nernf-Modell

Implementierungsprinzip: Das Clip (kontrastive Sprach-Image-Pre-Training) -Modell wird in die Bearbeitung von NERF (Neural Radiance Fields) eingeführt, um text- oder bildgesteuerte NERF-Änderungen zu implementieren. Für und Wider: Vorteile: Das Clip-Nerf-Modell achtet mehr darauf, das erzeugte dreidimensionale Modell und die dreidimensionalen Rendering-Effekte in natürlicher Sprache oder zweidimensionale Diagramme anzupassen. Nachteile: In Bezug auf den Erzeugungseffekt und den kommerziellen Wert hat das Clip-Nerf-Modell die gleichen Probleme wie das Traumfeldmodell.

Implementierungsprinzip: Mit Clips Fähigkeit, vom Text zu zweidimensionalen Bildern zu erzeugen, kombiniert mit Nerfs Fähigkeit, dreidimensionale Strukturen und Texturwiedergabe aus zweidimensionalen Bildern zu lernen, können wir die Erzeugung von natürlicher Sprache bis dreidimensional erreichen. Für und Wider: Vorteile: Das Modell der Traumfelder beweist, dass das Clip-Modell in Kombination mit dem NERF-Modell angewendet werden kann und die Vorstellungsbeschränkungen früherer dreidimensionaler Generativmodelle durchbricht. Nachteile: Die Struktur des dreidimensionalen Inhalts, das vom Dream Fields-Modell erzeugt wird, ist immer noch relativ einfach, und der dreidimensionale Rendering-Effekt ist schlecht, sodass groß angelegte dreidimensionale Szenen nicht erzeugt werden können. Darüber hinaus ist die Erzeugungseffizienz des Dream Fields-Modells sehr niedrig und hat eine schlechte Verbindung mit der traditionellen dreidimensionalen Arbeitenarbeit, sodass es keinen kommerziellen Wert hat.

Dream Fields Model

● Mainstream -Modelle:

Prinzipien der Implementierung und Vor- und Nachteile des Mainstream -Modells

Zweidimensionale Dimensionsverbesserung der Anwendungsforschungszeit 2022 zu Datum

● Die zweidimensionale Erzeugung entwickelt sich schnell ● Die zweidimensionale Dimensions-Upgrade-Route ist klar ● Gan hat noch Anwendungen

Die Entwicklungszeit der zweidimensionalen Dimensionsverbesserungstechnologie 2020-2022

● Schlagen Sie ein neuronales Strahlungsfeld vor ● Dimensional Upgrade -Forschungsbeschleunigungen beschleunigen ● Gan wird zum Mainstream von dreidimensional

Zweidimensionale dimensionale Keimungsperiode 2018-2020

● Schlagen Sie die dreidimensionale Expression des Nervenfeldes vor ● Dimensionale Verbesserungsforschung entwickelt sich langsam ● Es gibt viele native dreidimensionale Forschungsergebnisse

Die wichtigste Phase der technologischen Entwicklung bei dreidimensionaler Erzeugung

Typische Anwendungen

Voxelgitter, Punktwolke und Maschen

Dreidimensionaler Szenenrekonstruktion und Rendering

Natur

Die Form, Struktur und Position von dreidimensionalen Objekten in intuitiver Form ausdrücken

Eine dreidimensionale Szene, die in neuronalen Netzwerkparametern ausgedrückt wird, nämlich ein neuronales Feld

Implizite Expressionsdaten

Dominante Expressionsdaten

Datentyp

Die Haupttypen und Anwendungsbereiche der 3D -Generation

Die dreidimensionale Generation (künstliche Intelligenz) bezieht sich auf die Verwendung von tiefen neuronalen Netzwerken, um dreidimensionale Modelle von Objekten oder Szenen zu lernen und zu generieren, und macht das Erzeugungsergebnis das Erzeugungsergebnis realistischer. In Anwendungen wird die Erzeugung eines dreidimensionalen Modells eines Objekts oder einer Szene als dreidimensionale Modellierung bezeichnet, und die Farbe und das Licht und der Schatten eines dreidimensionalen Modells werden als dreidimensionale Rendering bezeichnet.

Definition

AIGC - 3D -Generation