Sumir aðferðir leysa vandamál tengd 3D lögunargæðum í gjörvi AI gerðum með því að þjálfa aftur eða stilla fínlega, sem getur verið kostnaðarsamt og tímafrekt. Hins vegar hafa rannsakendur hjá MIT þróað nýja tækni sem jafnast á við eða fer fram úr þessum aðferðum að gæðum án þess að þurfa frekari þjálfun eða flókna eftirvinnslu. Með því að greina uppsprettu vandans hafa þeir bætt stærðfræðilegan skilning á Score Distillation og tengdum aðferðum, sem leggur grunninn að bættri frammistöðu. "Rannsókn okkar leiðir okkur í átt að hagkvæmum, hröðum og hágæða lausnum, sem getur mögulega hjálpað hönnuðum að búa til raunhæfar 3D lögunir, " segir Artem Lukoianov, aðalhöfundur og meistaranemandi í rafmagns- og tölvunarverkfræði við MIT. Meðhöfundar hans eru Haitz Sáez de Ocáriz Borde frá Oxford University, Kristjan Greenewald frá MIT-IBM Watson AI Lab, Vitor Campagnolo Guizilini frá Toyota Research Institute, Timur Bagautdinov frá Meta, og aðalhöfundar Vincent Sitzmann og Justin Solomon frá MIT's CSAIL. Gjörvi AI gerðir eins og DALL-E nota dreifð líkön til að búa til 2D myndir úr óreiðu. Vegna takmarkaðra 3D þjálfunarupplýsinga eiga þau í erfiðleikum með að búa til 3D lögunir. Aðferð frá 2022, Score Distillation Sampling (SDS), nýtir fyrirþjálfaðar gerðir til að umbreyta 2D myndum í 3D lögunir með því að stjórna óreiðu.

Hins vegar eru þessar lögunir oft óskýrar eða of mettar, vandamál sem var óleyst þar til nú. MIT hópurinn fann mikilvæg fomúlubrest í SDS sem kynnti óreiðu og leiddi til ófullkominna 3D lögunar. Í stað þess að leysa formúluna nákvæmlega notuðu þeir nálgunaraðferðir til að álykta um vantarðar þættir, sem leiddi til skarpara, raunhæfra 3D lögunar. Þeir bættu einnig myndaupplausn og stilltu gerðavísa til að auka gæði enn frekar. Með notkun núverandi fyrirþjálfaðra dreifða líkana náðu þeir fram hágæða 3D lögunum án dýrrar endurþjálfunar. Þótt þessi aðferð erfði skekkjur og takmarkanir frá grunnlíkani, gæti betrumbættur grunnlíkanið aukið árangurinn. Framtíðarvinna gæti kannað þessar aðferðir til að bæta myndvinnslu. Þessa rannsókn hlaut fjármögnun frá ýmsum aðilum, þar á meðal Toyota Research Institute og bandarísku National Science Foundation.