Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Diffusion Volumétrique
Processus de génération itératif qui applique un bruit progressif à une représentation 3D volumétrique, puis apprend à inverser ce processus pour reconstruire des formes 3D cohérentes à partir d'un bruit aléatoire.
Score Matching pour la 3D
Méthode d'entraînement pour les modèles de diffusion 3D qui consiste à prédire le gradient du log-probabilité (le score) de la distribution de données, permettant de guider le processus de débruitage vers des échantillons réalistes.
EDM (Elastic Diffusion Model)
Variante de modèle de diffusion adaptée à la génération de maillages 3D déformables, où le processus de diffusion et de débruitage opère sur les positions des sommets tout en préservant la topologie du maillage.
SDF (Signed Distance Function)
Représentation de surface 3D où chaque point de l'espace est associé à la distance signée à la surface la plus proche, utilisée dans les modèles de diffusion pour garantir des géométries 3D fermées et sans artefacts.
Guidage Text-à-3D
Technique qui conditionne le processus de diffusion 3D sur des embeddings textuels provenant de modèles de type CLIP, afin de générer des objets 3D conformes à une description textuelle.
DDIM 3D (Denoising Diffusion Implicit Models 3D)
Variante déterministe des modèles de diffusion pour la 3D qui permet un échantillonnage plus rapide avec moins d'étapes de débruitage, en utilisant un processus non-Markovien pour reconstruire les données 3D.
Gaussian Splatting Diffusion
Méthode de génération 3D qui applique la diffusion à une collection de gaussiennes 3D positionnées dans l'espace, permettant de créer des scènes photoréalistes avec un rendu efficace.
Conditionnement Multi-vues
Stratégie pour les modèles de diffusion 3D qui utilise des images 2D de l'objet sous plusieurs angles comme entrée pour guider la génération d'un modèle 3D cohérent et détaillé.
Régularisation de Topologie
Contrainte appliquée durant l'entraînement ou le débruitage des modèles de diffusion 3D pour préserver des propriétés topologiques souhaitables, comme la manifold-ness ou la connectivité des surfaces générées.
Shap-E Diffusion
Modèle de diffusion spécifique qui génère des fonctions implicites 3D en se basant sur un espace latent entraîné sur des maillages et des nuages de points, optimisé pour la diversité et la fidélité des formes.
DreamFusion
Méthode qui utilise un modèle de diffusion 2D pré-entraîné (comme Imagen) comme un superviseur de différenciation pour optimiser un NeRF 3D à partir d'un texte, sans nécessiter de données 3D supervisées.
Magic3D
Système de génération text-à-3D en deux étapes qui utilise d'abord un modèle de diffusion pour créer une géométrie de basse résolution, puis un modèle de diffusion 2D pour l'augmenter avec des détails de haute résolution.
ProlificDreamer
Framework de génération 3D basé sur la diffusion variationnelle qui optimise une représentation NeRF en maximisant la log-vraisemblance sous un modèle de diffusion 2D, améliorant la qualité et la diversité des résultats.