بث مباشر 18.11 · الدفعة 318 نوفمبر، 19:00 بتوقيت موسكو — ورشة عملية مجانية لوكلاء الذكاء الاصطناعي · الدفعة 3 تبدأ 23.11ورشة 18 نوفمبر ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارTG: @cgevent (Метаверсище и ИИще)→ المصدر

NVIDIA تنشر Déjà View: إعادة بناء ثلاثية الأبعاد من الصور بـ 117 مليون معامل

إذا سبق أن جمعتَ مشهدًا ثلاثي الأبعاد من مجموعة صور، فأنت تعلم أنك تحتاج إلى أوضاع الكاميرات والعمق، وعادةً إلى خط معالجة ثقيل. نشرت NVIDIA وETH Zurich وجامعة تورنتو نموذج Déjà View بحجم 117 مليون معامل، وهو ينجز كل ذلك في تمريرة واحدة. السر أنه بدلًا من تكديس طبقات مختلفة، تُمرَّر كتلة ترانسفورمر واحدة بشكل دوري. ويمكن تغيير عدد الدورات مباشرة أثناء الاستدلال.

معالج بواسطة الذكاء الاصطناعي من TG: @cgevent (Метаверсище и ИИще)؛ بتحرير Hamidun News
NVIDIA تنشر Déjà View: إعادة بناء ثلاثية الأبعاد من الصور بـ 117 مليون معامل
المصدر: TG: @cgevent (Метаверсище и ИИще). كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليTG: @cgevent (Метаверсище и ИИще) ↗
رئيس التحرير
حقيقة رئيسية #1117 مليون معامل — أقل 8–10 مرات من VGGT وPi3
حقيقة رئيسية #2عدد الدورات K يتحكم في السرعة والدقة دون إعادة تدريب
حقيقة رئيسية #3الشيفرة والأوزان nvidia/dvlt مفتوحة، والتشغيل عبر Hugging Face Accelerate

تخيّل أنك صورت غرفة بهاتفك أو التقطت مئة صورة لمبنى دون أي توسيم. للحصول على نموذج ثلاثي الأبعاد من ذلك، عليك معرفة موضع الكاميرا في كل إطار، وما هي معاملاتها، وكم تبعد عنها كل نقطة في المشهد. هذه هي مسألة Structure-from-Motion الكلاسيكية، وقد صارت تُحَل في العامين الأخيرين بترانسفورمرات كبيرة مثل VGGT وDepth Anything 3 وMapAnything وPi3. وهي تعمل جيدًا، لكنها تضخمت إلى مليارات المعاملات. اقترحت NVIDIA Research مع ETH Zurich وجامعة تورنتو طريقًا آخر: يقوم Déjà View (DVLT) بالمهمة نفسها بـ 117 مليون معامل.

كتلة واحدة بدل كومة من الطبقات

لاحظ المؤلفون أن ترانسفورمرات الأبعاد الثلاثية العميقة تكرر في طبقاتها المختلفة العملية نفسها تقريبًا: تحسين الهندسة وأوضاع الكاميرات خطوة بعد خطوة. فلماذا نخزّن مئات الملايين من الأوزان الفريدة لعمل متشابه تقريبًا؟

في Déjà View استُبدلت الكومة العميقة بكتلة ترانسفورمر واحدة ذات أوزان مشتركة، تُمرَّر بشكل دوري. وتجمع الكتلة بين الانتباه على مستوى الإطار الواحد (ما يحدث في صورة واحدة) والانتباه العام (كيف ترتبط الإطارات ببعضها). والتشبيه بسيط: بدلًا من عشرة محررين مختلفين يصحح كل منهم النص مرة واحدة، يقرأ محرر واحد النص عشر مرات متتالية.

وفي المخرجات يتنبأ النموذج في آن واحد بخريطة الأشعة وخريطة العمق وأوضاع الكاميرات، الخارجية والداخلية. والنتيجة إعادة بناء كاملة انطلاقًا من صور أو فيديو غير مرتب.

مقبض «الدقة مقابل السرعة»

الاكتشاف العملي الأهم هنا ليس الحجم، بل الأثر الجانبي للدورة. يصبح عدد الخطوات K منظّمًا للحوسبة في مرحلة الاستدلال. يُدرَّب النموذج مرة واحدة، ثم تقرر بنفسك عدد الدورات التي تمنحها له.

تكفي خطوات قليلة للتتبع السريع المتدفق في الزمن الحقيقي. أما التمريرة العميقة (K نحو 12–16) فهي لازمة عندما تهم دقة الهندسة ومعايرة الكاميرات بدقة. ولا حاجة إلى نقاط حفظ منفصلة لكل وضع ولا إلى إعادة تدريب: تكفي مجموعة أوزان واحدة.

وبحسب المؤلفين، ففي خمسة معايير شائعة لإعادة البناء، منها ScanNet++ بمشاهده الداخلية والخارجية، ينافس النموذج ترانسفورمرات تتجاوز مليار معامل على قدم المساواة أو يتفوق عليها. وتتطلب العملية حوسبة مماثلة أو أقل بشكل ملحوظ. ولم ترد في المنشور أرقام محددة للمقاييس، لذا يستحسن الاطلاع عليها في الورقة على arXiv (2605.30215).

ماذا نفعل بهذا عمليًا

فتحت NVIDIA الشيفرة وخط المعالجة المسبقة وسكربتات التصور على Rerun وأوزان nvidia/dvlt على Hugging Face. ويعمل النموذج عبر Hugging Face Accelerate بصيغة BF16. وهذا يعني للفريق أنه يمكن التجريب في أمسية واحدة دون تدريب خاص.

أين قد يفيد:

  • نماذج أولية لتطبيقات الواقع المعزز والتطبيقات المكانية التي تحتاج أوضاع الكاميرات والعمق من فيديو عادي؛
  • المسح التصويري ومسح المشاهد عندما لا تتوفر حساسات باهظة ولا وقت للتوسيم اليدوي؛
  • بيانات أولية لخطوط معالجة ثلاثية الأبعاد أخرى تحتاج أوضاع الكاميرات كمدخل. وهذا افتراضنا وليس تصريحًا من المؤلفين، ويجب التحقق منه؛
  • المهام على عتاد محدود: النموذج المدمج أسهل في الاستيعاب داخل الذاكرة من نظرائه ذوي المليارات.

القيود والحذر

أولًا، الحجم الصغير لا يعني عملًا فوريًا. الأوزان المشتركة توفر الذاكرة وحجم نقطة الحفظ، لكن كل دورة إضافية تكلف حوسبة. وكم يستغرق ذلك بالثواني على بطاقتك الرسومية ولعدد إطاراتك، عليك قياسه بنفسك.

ثانيًا، المقارنات مع VGGT وDepth Anything 3 وPi3 قدمها المؤلفون أنفسهم وعلى معايير اختاروها. وقد تختلف النتيجة على بياناتك، مثل المشاهد المظلمة أو اللامعة أو شبه الخالية من الملمس.

ثالثًا، يصف المنشور الترخيص بأنه «حر»، لكن قبل الاستخدام التجاري يُستحسن التحقق من النوع الدقيق لترخيص الشيفرة والأوزان في المستودع وعلى صفحة النموذج.

الخلاصة: يُظهر Déjà View أن سباق الحجم ليس ضروريًا لإعادة البناء ثلاثية الأبعاد. فالكتلة المتكررة بعدد خطوات قابل للضبط تمنح المطور تحكمًا في التوازن بين السرعة والدقة، وتتيح الأوزان المفتوحة التحقق من ذلك بكلفة قليلة. وإذا كنت تعمل مع الأبعاد الثلاثية انطلاقًا من الصور أو الفيديو، فالنموذج جدير بالإضافة إلى قائمتك لاختبار معياري سريع.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول كتلة واحدة بدل كومة من الطبقات؟

لاحظ المؤلفون أن ترانسفورمرات الأبعاد الثلاثية العميقة تكرر في طبقاتها المختلفة العملية نفسها تقريبًا: تحسين الهندسة وأوضاع الكاميرات خطوة بعد خطوة. فلماذا نخزّن مئات الملايين من الأوزان الفريدة لعمل متشابه تقريبًا؟ في Déjà View استُبدلت الكومة العميقة بكتلة ترانسفورمر واحدة ذات أوزان مشتركة، تُمرَّر بشكل دوري. وتجمع الكتلة بين الانتباه على مستوى الإطار الواحد (ما يحدث في صورة واحدة) والانتباه العام (كيف ترتبط الإطارات ببعضها).

ما أبرز التفاصيل حول مقبض «الدقة مقابل السرعة»؟

الاكتشاف العملي الأهم هنا ليس الحجم، بل الأثر الجانبي للدورة. يصبح عدد الخطوات K منظّمًا للحوسبة في مرحلة الاستدلال. يُدرَّب النموذج مرة واحدة، ثم تقرر بنفسك عدد الدورات التي تمنحها له. تكفي خطوات قليلة للتتبع السريع المتدفق في الزمن الحقيقي. أما التمريرة العميقة (K نحو 12–16) فهي لازمة عندما تهم دقة الهندسة ومعايرة الكاميرات بدقة. ولا حاجة إلى نقاط حفظ منفصلة لكل وضع ولا إلى إعادة تدريب: تكفي مجموعة أوزان واحدة.

ما أبرز التفاصيل حول ماذا نفعل بهذا عمليًا؟

فتحت NVIDIA الشيفرة وخط المعالجة المسبقة وسكربتات التصور على Rerun وأوزان nvidia/dvlt على Hugging Face. ويعمل النموذج عبر Hugging Face Accelerate بصيغة BF16. وهذا يعني للفريق أنه يمكن التجريب في أمسية واحدة دون تدريب خاص. أين قد يفيد: نماذج أولية لتطبيقات الواقع المعزز والتطبيقات المكانية التي تحتاج أوضاع الكاميرات والعمق من فيديو عادي؛ المسح التصويري ومسح المشاهد عندما لا تتوفر حساسات باهظة ولا وقت للتوسيم اليدوي؛ بيانات أولية لخطوط معالجة ثلاثية الأبعاد أخرى تحتاج أوضاع الكاميرات كمدخل.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…