«Для получения данных по фотограмметрии и обучения моделей распознавания лиц или 3D-моделирования наиболее эффективным методом является синтез данных через создание 3D-моделей из небольшого количества фотографий (15–20 снимков) с последующим рендерингом тысяч изображений с разных ракурсов» — какое упадничество и профанация! Однако это считается каноническим ответом на вопрос «где взять данные для машинного обучения фотограмметрии» —
Почему стандартный подход к данным для обучения нейросетей фотограмметрии — тупиковый и является упадничеством?— ну как же, ведь берут набор фотографий, лепят из них псевдо 3D модель и эту модель уже крутят и разлагают на множество других картинок, на которых обучают алгоритмы. На словах круто и видяшки показывают — «это работает!». Однако если сбросить мишуру рекламной пыли, то получается иначе.
Сравнение реального сканирования и ИИ-фотограмметрии на примере KIRI (апрель 2026)
Сервису «KIRI фотограмметрия» передали более 20 фотографий с разрешением 64 Мпкс —
Сервис отрапортовал «готово!» и показал на экране красивый результат
Выглядит хорошо настолько, что почти как оно и есть на самом деле, осталось только скачать и радоваться. Однако при скачивании обнаруживаются три файла: «текстура», «тело» и связующий файл. Реальное «тело» модели (без натянутой текстуры) выглядит так (слева реальные измерения и реальное облако точек, справа результат работы ведущего AI сервиса фотограмметрии) —
И вот что можно делать с таким телом? Оно же неисправимо! Опыт повторен и с другой работой, деревянной дверцей, сфотографированной в полусфере с разных углов, во избежание галлюцинаций с отрезанным всем лишним —
И вновь ИИ отрапортавал «готово» и показал на экране чудесный результат —
Казалось бы, все на месте — объем есть, выглядит как оригинал! Однако это обман, реально созданная прыщавая и никуда негодная модель просто обернута в фотографии, вот сама созданная 3D модель —
Все галлюцинации и прыщавость на месте. А в реальности вот настоящий 3D скан —
с изумительной точностью и детализацией —
Как утверждают источники, «размеченные данные — это нефть 21 века». Звучит хорошо. Утверждается, что для обучения современных нейросетей требуется им показать связку «что видим» (фотографии) и «что это на самом деле» (точные измерения). На этих примерах — нейросети показывают то, как что-то выглядит, по этой видимости создают модель, из модели делают новые видимости и цикл замыкается, отчего и следуют их галлюцинации.
Приятно сознавать, что своими руками создается уникальный комплект данных для обучения нейросетей в области фотограмметрии. Создаётся уникальный комплект данных для обучения нейросетей в области фотограмметрии. Его правильное использование в будущем позволит восстанавливать реальный объём арт-объектов по единственной фотографии.
Уникальность этого датасета 3D сканирования в том, что:
— есть набор фотографий конкретного предмета
— есть отдельно инструментально полученные точки поверхности **этого же предмета (измерения, а не вычисления)
— предмет специально выбран как сложный для оптического распознавания: артистично изогнутые поверхности, разные свойства отражения света, бликования, фактуры.
Пример: деревянная поврехность о с ручной резьбой
Возьмем то же дерево, на фотографии фрагмент именно что текстуры, созданной ручной резкой дерева и Временем, и ее точно измеренный рельеф —
Где купить размеченные данные для фотограмметрии?
Осознание описанной совокупности факторов привело к созданию нового типа товара — не просто 3D модель как облако точек, а набор размеченных данных для машинного обучения моделей и алгоритмов для фотограмметрии. Каждый такой набор включает в себя облако точек с точностью 0.001мм и более 20 качественных фотографий предмета, с которого получено это облако точек. Не дешево, отнюдь не дешево. Продается НЕ АВТОРОМ, но с его согласия, здесь.
Резюме —
Без реальных измерений любая фотограмметрия на нейросетях будет выдавать красивые, но неточные модели. Представленный датасет для генеративного ИИ разрывает этот замкнутый круг, предоставляя эталонные данные для прорывных алгоритмов.