ForgeFluencer vs GET3D | Nvidia

ForgeFluencer crée des influenceurs virtuels à partir d'un portrait de référence et conserve le même visage sur les photos, les essayages de vêtements et les courtes vidéos. Les contrôles d'image couvrent le cadrage, le format, le lieu, la tenue et l'expression, tandis que les échanges de visage vidéo optionnels et l'importation de vêtements étendent les publications au-delà des images statiques.

Contrairement à la gestion simultanée de bots Discord et d'éditeurs d'images séparés, ForgeFluencer regroupe la création de modèles, un catalogue de séances photo, un studio photo et la génération vidéo dans un flux de travail adapté au bureau. Le mode séance photo génère des scènes prédéfinies en deux clics, et la garde-robe virtuelle applique les vêtements importés à une photo de modèle existante pour des publications de tenues de marque.

Les créateurs ciblant Instagram, TikTok, Fanvue ou Patreon l'utilisent pour des personnages d'influenceurs réalistes ou de style anime. Les comptes gratuits incluent 5 crédits et deux emplacements de modèles, tandis que les formules payantes augmentent les crédits mensuels, les limites de modèles et les quotas vidéo premium.

GET3D génère des modèles 3D texturés que vous pouvez intégrer directement dans un moteur de rendu, entraîné uniquement à partir de collections d'images 2D. Les chercheurs de NVIDIA l'ont conçu pour produire des maillages explicites avec géométrie et texture, et non des champs de radiance neuronale nécessitant des moteurs de rendu personnalisés.

La plupart des modèles génératifs 3D à l'époque omettaient les textures, imposaient une topologie fixe ou nécessitaient des pipelines de rendu neuronal pour visualiser les résultats. GET3D utilise la méthode différentiable des tétraèdres marchants (DMTet) ainsi que des pertes adversariales sur des images RGB rasterisées et des silhouettes, ce qui donne en sortie un maillage texturé standard. Le compromis est un accès de niveau recherche : il s'agit d'un projet du laboratoire d'IA NVIDIA Toronto présenté à NeurIPS 2022, et non d'un SaaS hébergé avec un bouton de téléchargement.

Le modèle prend en charge les voitures, chaises, animaux, motos, personnages humains et bâtiments. Il supporte également la génération de formes guidée par texte via un affinage basé sur CLIP, similaire à StyleGAN-NADA, et peut dissocier la géométrie de la texture grâce à des codes latents séparés.