Meta ने स्टीरियो वीडियो से 3D सीन रिकंस्ट्रक्शन के लिए XRStereo डेटासेट किया रिलीज़
Meta ने स्टीरियो वीडियो से 3D सीन को रीक्रिएट करने वाले मॉडल को प्रशिक्षित करने के लिए Hugging Face पर XRStereo सिंथेटिक डेटासेट प्रकाशित किया है.

Meta ने Hugging Face प्लेटफॉर्म पर XRStereo नाम से एक नया डेटासेट रिलीज़ किया है, जिसे कंप्यूटर विज़न मॉडल और सिस्टम को प्रशिक्षित करने के लिए डिज़ाइन किया गया है। यह सिंथेटिक डेटासेट विशेष रूप से मानक स्टीरियो वीडियो इनपुट का उपयोग करके त्रि-आयामी (three-dimensional) दृश्यों को रीक्रिएट करने के कार्य के लिए बनाया गया है। डेटा की कुल मात्रा लगभग 380 गीगाबाइट है, जो स्पैटियल कंप्यूटिंग के शोधकर्ताओं को एक शक्तिशाली संसाधन प्रदान करती है।
- इसमें लगभग 18,000 सीक्वेंस शामिल हैं जिनमें प्रत्येक में पांच स्टीरियो जोड़े हैं।
- प्रत्येक व्यक्तिगत छवि का रिज़ॉल्यूशन 1024 गुणा 1024 पिक्सल है।
- इसमें 13 वर्चुअल वातावरण शामिल हैं, जिनमें 9 इनडोर और 4 आउटडोर सीन हैं।
- डेटासेट आर्काइव का आकार लगभग 373 GB है, जिसे 72 अलग-अलग आर्काइव में बांटा गया है।
डेटासेट की संरचना और पैरामीटर
प्रत्येक सीक्वेंस के भीतर, वर्चुअल कैमरे एक स्थिर सीन से होकर गुजरते हैं। मानक बाएं और दाएं चित्रों के साथ-साथ, creadors ने कैमरे की स्थिति, लेंस के बीच की बेसलाइन दूरी, और दो दृष्टिकोणों के बीच पिक्सल शिफ्ट को दर्शाने वाले डिस्पैरीटी मैप पर सटीक डेटा शामिल किया है। यह एल्गोरिदम को स्थानिक गहराई (spatial depth) का गहराई से विश्लेषण करने और न्यूरल नेटवर्क को 3D वातावरण को बेहतर ढंग से समझने के लिए प्रशिक्षित करने की अनुमति देता है।
इन वर्चुअल वातावरणों के निर्माण के दौरान, शोधकर्ताओं ने शूटिंग मापदंडों जैसे कि क्षैतिज दृश्य क्षेत्र (horizontal field of view), जो 50 से 130 डिग्री तक है, और कैमरों के बीच की दूरी, जिसे 4 से 12 सेंटीमीटर के बीच सेट किया गया है, को अलग-अलग रखा। इस तरह की विविधता डेटासेट को आधुनिक VR हेडसेट और रोबोटिक्स में पाए जाने वाले विभिन्न स्टीरियो कैमरों के अनुरूप प्रशिक्षित एल्गोरिदम के लिए उपयोग करने में सक्षम बनाती है।
यह भी पढ़ेंNvidia ने ओपन-सोर्स AI रणनीति और Hugging Face के अधिग्रहण की पुष्टि कीStereoSplat पद्धति से संबंध और उपलब्धता
XRStereo को बनाने का मुख्य उद्देश्य StereoSplat पद्धति का समर्थन करना था, जिसे एम्स्टर्डम विश्वविद्यालय के विशेषज्ञों के साथ-साथ Meta के इंजीनियरों ने विकसित किया है। यह दृष्टिकोण Gaussian Splatting का उपयोग करके 3D प्रतिनिधित्व बनाता है और फिर यह दिखाने के लिए नए दृष्टिकोण उत्पन्न करता है कि कैमरे की स्थिति स्थानांतरित होने पर सीन कैसा दिखाई देगा।
डेटासेट के साथ-साथ, Meta ने StereoSplat पद्धति के लिए सोर्स कोड और प्री-ट्रेन किए गए मॉडल वेट भी रिलीज़ किए। संपूर्ण संसाधन Hugging Face पर होस्ट किया गया है और लगभग 373 गीगाबाइट कुल आकार के साथ 72 व्यक्तिगत आर्काइव में विभाजित है। इस खुलापन का उद्देश्य कंप्यूटर विज़न और 3D ग्राफिक्स में अनुसंधान और विकास में तेजी लाना है।
डेवलपर्स और उद्योग के लिए महत्व
इस तरह के ओपन डेटासेट की शुरुआत से वर्चुअल और ऑगमेंटेड रियलिटी तकनीकों को विकसित करने वाले इंजीनियरों और वैज्ञानिकों का काम काफी आसान हो जाता है। बारीक ट्यून किए गए कैमरा मापदंडों के साथ उच्च गुणवत्ता वाले सिंथेटिक डेटा पर न्यूरल नेटवर्क को प्रशिक्षित करने की क्षमता अधिक यथार्थवादी इमर्सिव उत्पादों के निर्माण की अनुमति देती है। ओपन-सोर्स कोड और उपयोग के लिए तैयार मॉडल वेट डेवलपर्स को स्पैटियल वीडियो प्रोजेक्ट्स के लिए एक मजबूत आधार देते हैं।



