Mõned meetodid lahendavad generatiivsete tehisintellekti mudelite 3D-kujundite kvaliteediprobleeme ümberõppe või täiendava häälestamise kaudu, mis võivad olla kulukad ja ajamahukad. Kuid MITi teadlased on arendanud uue tehnika, mis vastab nendel meetoditel olevale kvaliteedile või ületab seda, ilma lisakoolituste või keerulise järeltöötluseta. Probleemi allika täpsustamisega on nad parandanud skooridistillatsiooni ja nendega seotud meetodite matemaatilist mõistmist, luues parema jõudluse võimalusi. "Meie uurimistöö suunab meid tõhusate, kiirete ja kvaliteetsete lahenduste suunas, mis võivad aidata disaineritel luua realistlikke 3D-kujusid, " ütleb peamine autor Artem Lukoianov, MITi EECS magistrant. Kaasautorite hulka kuuluvad Haitz Sáez de Ocáriz Borde Oxfordi Ülikoolist, Kristjan Greenewald MIT-IBM Watson AI Labist, Vitor Campagnolo Guizilini Toyota Teadusinstituudist, Timur Bagautdinov Metast ning vanemad autorid Vincent Sitzmann ja Justin Solomon MITi CSAIList. Generatiivsed tehisintellekti mudelid nagu DALL-E kasutavad difusioonimudeleid, et luua 2D-pilte mürast. Piiratud 3D-koolitusandmete tõttu on neil raskusi 3D-kujundite loomisega. 2022.

aastal välja töötatud tehnika, skooridistillatsiooni proovivõtt (SDS), kasutab eelnevalt koolitatud mudeleid, et muuta 2D-pildid 3D-kujudeks müra manipuleerimise kaudu. Siiski on need kujundid sageli udused või liiga intensiivsed, probleemi, mida pole seni lahendatud. MITi meeskond tuvastas SDSis olulise valemi ebakõla, mis tekitas müra ja kaasa tõi kehvad 3D-kujud. Selle asemel, et lahendada valem täpselt, kasutasid nad lähendustehnikaid puuduvate termide tuletamiseks, mille tulemuseks olid teravad ja realistlikud 3D-kujud. Nad parandasid ka pildiresolutsiooni ja kohandasid mudeli parameetreid, et kvaliteeti veelgi tõsta. Kasutades olemasolevaid eelnevalt koolitatud difusioonimudeleid, saavutasid nad kõrgekvaliteedilisi 3D-kujusid ilma kalli ümberõppeta. Kuigi see meetod pärib eelarvamused ja piirangud baasilt mudelilt, võiks aluseks oleva mudeli parandamine tulemusi täiustada. Tulevane töö võib uurida neid tehnikaid pilditöötluse täiustamiseks. See uurimus sai rahastust sellistelt üksustelt nagu Toyota Teadusinstituut, USA Riiklik Teadusfond ja teised.