जनरेटिव AI मॉडेल्समधील 3D आकाराच्या गुणवत्तेच्या समस्यांचे निराकरण करण्यासाठी काही पद्धती पुनःप्रशिक्षण किंवा निवडक-संशोधनाद्वारे करतात, ज्यामुळे खर्च आणि वेळ लागतो. परंतु MIT संशोधकांनी एक नवीन तंत्र विकसित केले आहे, जे अतिरिक्त प्रशिक्षण किंवा जटिल पोस्टप्रोसेसिंगशिवाय गुणवत्ता प्राप्त करते किंवा त्याला ओलांडते. समस्येच्या स्रोताचे निश्चितीकरण करून, त्यांनी स्कोर डिस्टिलेशन आणि संबंधित पद्धतींच्या गणिताच्या समजदारीत सुधारणा केली आहे, जे चांगल्या कार्यक्षमतेसाठी मार्ग तयार करते. "आमचा संशोधन आम्हाला कार्यक्षम, जलद आणि उच्च-गुणवत्तेचे उपाय मिळवण्यास मार्गदर्शन करतो, म्हणून संभाव्यत: डिझाइनर्सना खऱ्या 3D आकारांची निर्मिती करण्यास मदत होते, " असे प्रवक्ते आर्टेम लुकोयानॉव, मुख्य लेखक आणि MIT येथील EECS पदवीधर विद्यार्थी म्हणतात. त्यांच्या सहलेखकांमध्ये ऑक्सफर्ड विद्यापीठाचे हाइट्झ साएक्‍स दे ओकारिझ बोर्डे, MIT-IBM वॉटसन AI लॅबचे क्रिस्टजान ग्रीनवाल्ड, टोयोटा रिसर्च इन्स्टिट्यूटचे वितोर कॅम्पाग्नोला गुझिलिनी, मेटाचे तिमूर बगौटडिनॉव, आणि MIT च्या CSAIL येथील वरिष्ठ लेखक विन्सेंट सित्झमन आणि जस्टिन सोलोमन यांचा समावेश आहे. डाल-ई सारख्या जनरेटिव AI मॉडेल्स आवाजातून 2D प्रतिमा तयार करण्यासाठी प्रसरण मॉडेल वापरतात. मर्यादित 3D प्रशिक्षण डेटामुळे, 3D आकारांच्या निर्मितीमध्ये अडचणी येतात. 2022 ची एक पद्धत, स्कोर डिस्टिलेशन सॅम्पलिंग (SDS), प्रशिक्षण पूर्ण केलेल्या मॉडेल्सचा वापर करून आवाजाच्या बदलान्तरणाद्वारे 2D प्रतिमांना 3D आकारांमध्ये बदलते.

मात्र, हे आकार धूसर किंवा अति सापेक्षित दिसतात, जो पर्यंत हा प्रश्न सोडवला नव्हता. MIT टीमने SDS मध्ये एक महत्त्वपूर्ण सूत्र अयोग्य ओळखले, ज्याने आवाज आणला, ज्यामुळे निकृष्ट 3D आकार आले. गुरुप्राप्त सुत्राचा संपूर्ण अचूक उत्तर शोधण्याऐवजी, त्यांनी अंदाज पद्धती वापरल्या, ज्यामुळे स्पष्ट, वास्तविक 3D आकार मिळाले. त्यांनी प्रतिमेचे रिझोल्यूशन सुधारणे आणि मॉडेलच्या मापदंडांना तंतोतंत करणे हा कार्यक्षमता अधिक चांगली करण्यासाठी करण्यात आले. विद्यमान प्रशिक्षण पूर्ण केलेल्या प्रसरण मॉडेल्सचा वापर करून, त्यांनी उच्च-गुणवत्तेचे 3D आकार मिळवले, ज्यासाठी महाग पुनःप्रशिक्षण आवश्यक नाही. जरी या पद्धतीला मूळ मॉडेलमधून प्राप्त होणारे पूर्वाग्रह आणि मर्यादा मिळतात, तरी मूळ मॉडेल सुधारित केल्यास परिणाम वर्धित होऊ शकतात. भविष्यातील कार्यामध्ये या तंत्रांचा वापर प्रतिमांनी सुधारण्यासाठी केला जाऊ शकतो. या संशोधनाला टोयोटा रिसर्च इन्स्टिट्यूट, यूएस राष्ट्रीय विज्ञान फाउंडेशन आणि इतर संस्थांच्या सहकार्याने निधी मिळाला आहे.