تقدّم الأبحاث الأخيرة في مجال الذكاء الاصطناعي إطار عمل مميز يحمل اسم CLONE، والذي يمثل قفزة نوعية في تقدير الاتجاهات (Normal Estimation) من الصور الفردية. في قلب هذا الإطار الاستثنائي، تكمن فكرة تصميم حلقة "صورة-هندسة-صورة"، التي تعمل على توحيد القيود المفروضة على كلا المنهجين، السائدين في هذا المجال.

يعتمد CLONE على استخدام تقنية توزيع غاوسي ثلاثي الأبعاد (3D Gaussian Splatting) لتوصيف المشهد بشكل واضح، مما يمكّن الباحثين من الحصول على الاتجاهات السطحية (surface normals) بشكل مستمر وقابل للاشتقاق، وذلك من خلال تحليل القيم الذاتية للصورة (covariance eigen-decomposition). كما يُدخل النموذج نموذج إنارة قابل للاشتقاق يتضمن نواة تعديل الضوء (learnable light modulation kernel)، ليحقق خريطة مستمرة بين الاتجاهات السطحية وإشعاع الصورة (image radiance).

علاوة على ذلك، وللتغلب على قيود تمثيلات Gaussian في التفاصيل المحلية، تم تصميم شبكة تحسين استوحيت من diffusion، تهدف لتعزيز التفاصيل الهندسية المحلية مع الحفاظ على اشتقاقية شاملة. كما تم دمج آلية دمج للتحكم في التنسيق بين التماسك الهندسي العام وإعادة بناء التفاصيل المحلية.

باختصار، يمثل CLONE مساراً مغلقاً مستقرًا يتضمن جميع هذه المكونات، مما يتيح تحسين التماسك الهندسي بشكل فعال دون الحاجة إلى إشراف دقيق على الاتجاهات.