Text-Guided Real-World-to-3D Generative Models with Real-Time Rendering on Mobile Devices
Notice bibliographique
Résumé
Recent generative diffusion models are attracting enormous attention with various breakthroughs in text-to-image, text-guided image-to-image, and text-to-3D generation. In this paper, we propose MobileGen3D, a bridge between text-driven real-world-to-3D generation and real-time on-device rendering. Given several real-world images of a person/object and a text prompt, MobileGen3D can provide a 3D model of the given content which has been customized according to the text prompt and can be rendered on mobile devices in real-time. No additional 3D training data is required in our method. Based on neural light fields (NeLF), MobileGen3D speeds up the inference process dramatically compared to other 3D synthesis methods that rely on neural radiance fields (NeRF). As a result, we demonstrate that our method can generate high-resolution 3D contents with realistic edits and low disk storage requirement of just 6.48 MB. These 3D contents can be rendered directly by mobile devices and augmented/virtual reality devices with a high rendering speed of 61.2 FPS on our experimented iPhone 14. Our implementation is available with detailed guidelines at this page: https://github.com/tuanvu171/MobileGen3D
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».