المجال ثلاثي الأبعاد حيث ينكسر خط الإنتاج: TRELLIS.2 ورهان O-Voxel

الأصل الذي لا يتحدث عنه أحد

توليد الصور يأخذ الاهتمام، وتوليد الفيديو يقدم مقاطع العرض، وثلاثي الأبعاد يجلس في الزاوية ويكون السبب في أن خط الإنتاج ما زال يضم إنسانا. إن حاولت يوما وضع جسم مولّد داخل محرك لعبة أو أداة تهيئة منتج أو لقطة VFX، فأنت تعرف شكل الفشل: الصورة تبدو جيدة والملف بلا فائدة.

TRELLIS.2، نموذج Microsoft Research لتحويل الصورة إلى ثلاثي الأبعاد بـ 4B معامل، يحاول إصلاح ذلك على مستوى التمثيل لا على مستوى العرض. ظل على صفحة الرائج في GitHub طوال هذا الشهر بنحو 11,000 نجمة، ويعود إلى الواجهة لأنه واحد من قلائل مولدات ثلاثي الأبعاد التي تقبل الأدوات اللاحقة مخرجاتها فعلا.

ما الذي يغيّره O-Voxel

معظم أنظمة تحويل الصورة إلى ثلاثي الأبعاد تتنبأ بحقل ضمني، دالة مسافة موقعة أو شبكة إشغال، ثم تستخرج سطحا منه بـ marching cubes. المقاربة أنيقة ولها ضعف محدد: تفترض أن الجسم كتلة مغلقة محكمة. الملابس التي يظهر داخلها، الأوراق، القشور الرقيقة، الهندسة التي تلامس نفسها، أي شيء فيه تجويف مغلق، كل ذلك يُوسط أو يضيع عند الاستخراج.

يستبدل TRELLIS.2 الحقل ببنية فوكسل متفرقة يسميها O-Voxel، موصوفة بأنها field-free. بدل السؤال عن مسافة السطح من نقطة ما، يمثل البنية مباشرة، فيحتفظ بالأسطح المفتوحة والهندسة غير المتعددة والبنى الداخلية المغلقة دون خطوة تحويل فاقدة.

يبدو تفصيلا بحثيا. لكنه الفرق بين سترة تُعرض بشكل صحيح وسترة تبدو كتلة صلبة مطبوعة عليها خريطة نسيج.

بقية المكدس تقليدية، وكأن العملية كانت هدفا. VAE ثلاثي الأبعاد متفرق بتخفيض مكاني 16× يضغط الأصول في فضاء كامن محكم، والتوليد يمر عبر diffusion transformer عادية لا عبر معمارية مخصصة. الدقة والزمن على H100: 512³ في نحو ثلاث ثوان، و1024³ في نحو سبع عشرة، و1536³ في نحو دقيقة.

المواد هي الجزء الذي ينقذ الموقف

الخاصية الأهم هي PBR. لا يتنبأ TRELLIS.2 بخريطة لون فقط. بل يمثل اللون الأساسي والخشونة والمعدنية والعتامة كقنوات منفصلة، ما يعني أن النتيجة تُعرض بشكل صحيح تحت إضاءة جديدة، لا أن تبدو صحيحة من الزاوية التي وُلدت فيها فقط.

هنا ينهار معظم توليد ثلاثي الأبعاد في الإنتاج. شبكة بخريطة لون مخبوزة تبدو مبهرة في العارض وتتفكك لحظة وضع ضوء آخر أو تحريك الكاميرا. شبكة بخريطتي خشونة ومعدنية تتصرف كجسم. دعم الشفافية مكسب أصغر لكنه عملي بالقدر نفسه: الزجاج والأوراق والقماش المثقوب تكف عن أن تكون حالات خاصة.

خط المعالجة خفيف على غير العادة أيضا. تحويل شبكة منسوجة إلى O-Voxel يستغرق أقل من عشر ثوان على معالج واحد؛ والعودة تستغرق أقل من مئة ميلي ثانية على CUDA. لا حلقة تحسين، ولا تنظيف لكل أصل. ولمن انتظر يوما مهمة خبز نسيج، تبدو هذه الفقرة كوعد.

أين يقع في خط إنتاج حقيقي

أكثر استخدام واقعي اليوم ليس توليد أصل البطل. بل ملء الفراغ حوله. لقطة منتج تحتاج رفا وطاولة وكبلا وعلبة على الأرض. هذه العناصر مملة فرادى ومكلفة مجتمعة، لأن كل واحد منها عمل نمذجة يستهلك بعد ظهر فنان.

تحويل الصورة إلى ثلاثي الأبعاد بهذا المستوى يحول بعد الظهر إلى دقائق قليلة وجولة تنظيف. ما زال هناك من يفحص المقياس ويصحح نقطة الأصل وينظف الطوبولوجيا حيث رقّ السطح، لكن نقطة البداية شبكة بمواد لا نافذة عرض فارغة. هذا تحول حقيقي في أين تذهب الساعات، وهو نوع المكسب الذي لا يدخل شريط عرض أبدا لأن لا شيء فيه مبهر بذاته.

التثبيت هو البوابة الحقيقية

الآن الجزء الصادق. TRELLIS.2 مستودع بحثي، ويتصرف كذلك.

مختبَر على Linux فقط. يحتاج GPU من NVIDIA بذاكرة 24GB على الأقل، والكود موثّق على A100 وH100. يحتاج CUDA Toolkit، ويوصي بـ 12.4، ويترجم عدة حزم أثناء الإعداد. الواجهة الخلفية الافتراضية للانتباه هي flash-attn؛ وعلى بطاقات أقدم مثل V100 تثبت xformers وتضبط متغير بيئة بدلا منها.

سدّ المجتمع الثغرة بعقد ComfyUI، وهناك ثلاث حزم عقد على الأقل متداولة، وهذا إشارة طلب وتحذير في الوقت نفسه، لأنها غير قابلة للتبادل، وأول قرار حقيقي في أي مشروع TRELLIS.2 هو اختيار واحدة. ولمستخدمي Windows ببطاقات RTX 50 وجع خاص: تلك البطاقات تريد تعريف 570 أو أحدث وCUDA 12.8 أو 13، وهذا يكسر عدة اعتماديات مبنية لـ CUDA 12.6 وما دونه.

تحت 24GB لست مقفلا خارج الباب، لكنك في منطقة التنازلات. النسخ المكمّاة تعمل بدقة 512 على بطاقات 8GB، بنحو ثلاث إلى ست دقائق للشبكة على RTX 3060. هذه سرعة نماذج أولية صالحة وسرعة إنتاج مؤلمة. الفرق بين أستطيع التجربة وأستطيع التسليم يقاس بالـ VRAM.

هناك أيضا فخ تصدير صغير يجدر معرفته قبل فتح بلاغ: ملفات GLB تُصدَّر بوضع ألفا OPAQUE، لذلك تتجاهل العارضات الشفافية التي ولّدتها. الإصلاح سطر واحد في إعدادات المعالجة اللاحقة، أو إعادة وصل قناة ألفا في Blender. البيانات موجودة. المصدر فقط لا يستخدمها افتراضيا.

لماذا ثلاثي الأبعاد هو عنق الزجاجة الحقيقي

انظر أين غيّر الذكاء الاصطناعي مسارات الإنتاج بشكل قابل للقياس وأين لم يفعل. الرسم التصوري: تغيّر. لوحات القصة: تغيّرت. تصوير المنتجات: تغيّر. أصول ثلاثي الأبعاد: على حالها تقريبا، لأن المُسلَّم ليس صورة. إنه ملف فيه طوبولوجيا وUV ومواد ومقياس ونقطة أصل على برنامج آخر أن يوافق عليها.

هذا عقد أشد بكثير من يبدو جيدا. نسيج صحيح بنسبة 95% نسيج صالح. شبكة صحيحة بنسبة 95% شبكة لا تُغلق، ولا تقبل العمليات المنطقية، ولا تُجهَّز للتحريك.

رهان TRELLIS.2 أن الطريق إلى الوفاء بهذا العقد هو نمذجة البنية أصلا لا تقريبها من حقل. أما أن يصبح O-Voxel معيارا أو يبقى أثرا بحثيا فيتوقف على أشياء لا علاقة لها بالورقة: أدوات التصدير، وإضافات المحركات، وهل يتقارب النظام البيئي على مجموعة واحدة من عقد ComfyUI.

الواضح هو الاتجاه. العمل المفيد في ثلاثي الأبعاد هذا العام ليس عن معاينات أجمل. بل عن مخرجات تصمد عند التلامس مع البرنامج التالي في السلسلة. هذا هدف أقل جاذبية للصور، وهو الذي يحدد هل يبقى الإنسان في الحلقة.