機(jī)器之心專欄

機(jī)器之心編輯部

45 秒單張圖片變 3D，無(wú)需大量 3D 數(shù)據(jù)和逐物體優(yōu)化。

3D AI 生成最近發(fā)展得如火如荼，不少最新工作都能夠從一句話 / 一張圖生成高質(zhì)量的三維模型。然而從去年下半年的 和 到最新的 ，絕大多數(shù)工作都通過(guò)對(duì)每個(gè)物體進(jìn)行優(yōu)化的方式來(lái)生成 3D 模型。這種方式使得現(xiàn)有的 3D AI 生成方法都非常耗時(shí)，譬如 的作者就曾在知乎上表示方法目前的主要局限之一便是生成時(shí)間太慢了！

“一般而言，使用 - 生成一張圖片在 PC 上只需要幾秒鐘，哪怕微調(diào) LoRA 也很快；然而，我們生成一個(gè) 3D 物體需要數(shù)個(gè)小時(shí)，尤其是分辨率越高越慢。這主要是因?yàn)槲覀儽举|(zhì)上還是借助于隨機(jī)梯度下降來(lái)優(yōu)化 3D 表示（NeRF 或 Mesh）的參數(shù)，這樣的優(yōu)化過(guò)程需要很多步的迭代，并且對(duì) GPU 的顯存也有一定要求。我們最終展示的效果是 512 分辨率的結(jié)果，這些結(jié)果的優(yōu)化確實(shí)非常耗時(shí)，所以目前個(gè)人使用者還是很難在 PC 上直接使用我們的算法。”

高昂的推斷成本不僅使得研究者的實(shí)驗(yàn)迭代變慢，也阻礙了 3D AIGC 技術(shù)對(duì)于很多實(shí)時(shí)應(yīng)用的商業(yè)落地和推廣。

然而就在最近，來(lái)自 UCSD 等機(jī)構(gòu)的研究者發(fā)布了一項(xiàng)最新工作，One-2-3-45，它擺脫了逐物體優(yōu)化的生成范式，能夠在 45 秒內(nèi)從任意單張圖片 / 文本生成 3D 紋理網(wǎng)格，且在測(cè)試時(shí)無(wú)需針對(duì)每個(gè)物體進(jìn)行優(yōu)化。

Page:

:

Code:

Demo：

單張圖片生成 3D

通過(guò)與現(xiàn)有的文生圖模型（如 DALL-E2）結(jié)合，One-2-3-45 也支持從任意文本生成 3D 模型。

文本生成 3D

論文一發(fā)布，就被推特大佬 AK 宣傳轉(zhuǎn)發(fā)，并受到網(wǎng)友的廣泛關(guān)注。

網(wǎng)友 Xin Kong 評(píng)論到：“這是最好的時(shí)代，也是最壞的時(shí)代。這可能是 3D 擴(kuò)散生成中的 NGP 時(shí)刻。30 分鐘 ->45 秒，無(wú)分?jǐn)?shù)蒸餾，2D 視圖到 3D 是必經(jīng)之路！”

方法

由于 3D 數(shù)據(jù)的稀缺性，學(xué)術(shù)界最近的絕大多數(shù) 3D AI 生成工作都通過(guò)利用 2D 擴(kuò)散生成模型來(lái)指導(dǎo) 3D 表示（如 NeRF）的優(yōu)化，從而實(shí)現(xiàn) 3D 內(nèi)容生成。One-2-3-45 沒(méi)有遵循這個(gè)范式，而是先利用 2D 擴(kuò)散模型生成多視角圖像，然后希望利用這些多視角圖像來(lái)重建 3D 模型。

具體而言，One-2-3-45 利用了一個(gè)基于視角控制的 2D 擴(kuò)散生成模型，。該模型通過(guò)微調(diào) ，實(shí)現(xiàn)了輸入單張圖片和一個(gè)相機(jī)的相對(duì)位姿變換，便能夠預(yù)測(cè)該物體在變換后的視角下的對(duì)應(yīng)圖像的能力。

通過(guò)借助這類 2D 擴(kuò)散生成模型，我們能夠從一張圖片預(yù)測(cè)生成對(duì)應(yīng)的多視角圖像。

一個(gè)很自然的想法，便是將這些多視角圖像傳給經(jīng)典的基于 NeRF 的重建方法來(lái)生成 3D 模型。然而研究者發(fā)現(xiàn)這樣并不能生成高質(zhì)量的 3D 模型（如下圖所示）。

這其實(shí)是因?yàn)榫W(wǎng)絡(luò)預(yù)測(cè)的多視角圖像具有潛在的不一致性。然而對(duì)于基于 NeRF 的優(yōu)化類重建方法，一些微小的不一致便已足以使得方法崩潰。

如上圖所示，通過(guò)將預(yù)測(cè)的多視角圖像與真實(shí)數(shù)據(jù)進(jìn)行對(duì)比，研究者發(fā)現(xiàn) 預(yù)測(cè)的多視角圖像雖然不具備像素級(jí)別的高精確度（PSNR 不高）。但整體輪廓（mIoU）以及語(yǔ)義 / 感知相似性（CLIP 相似度）都很高，尤其當(dāng)相機(jī)相對(duì)位姿變換較小時(shí)。這些結(jié)果說(shuō)明了用網(wǎng)絡(luò)預(yù)測(cè)的多視角圖像進(jìn)行三維重建的可能性。

在 One-2-3-45 中，研究者使用了基于 cost 的可泛化 NeRF 類的方法來(lái)實(shí)現(xiàn)三維重建。這類方法將多視角圖像作為輸入，在訓(xùn)練后能夠直接推斷 3D 內(nèi)容而無(wú)需額外優(yōu)化。由于這類方法通過(guò)從訓(xùn)練數(shù)據(jù)學(xué)習(xí)了有關(guān)多視角預(yù)測(cè)不一致性的先驗(yàn)知識(shí)，他們更有希望能從不一致的多視角預(yù)測(cè)中生成 3D 模型。

One-2-3-45 方法流程圖

具體來(lái)說(shuō)，One-2-3-45 首先通過(guò)對(duì)多視角圖像抽取 2D 圖像特征，并通過(guò)相機(jī)位姿來(lái)構(gòu)建 3D cost 。然后 One-2-3-45 通過(guò) 3D 卷積神經(jīng)網(wǎng)絡(luò)來(lái)從 3D cost 推斷輸入多視角圖像對(duì)應(yīng)的潛在 3D 幾何，并最后通過(guò) MLP 來(lái)預(yù)測(cè)物體的 SDF 和顏色，進(jìn)行體積渲染。

通過(guò)結(jié)合 2D 擴(kuò)散生成模型和基于 cost 的可泛化 NeRF，One-2-3-45 能夠在一次前向傳播中生成 3D 模型。擺脫了耗時(shí)的逐物體 3D 優(yōu)化后，One-2-3-45 生成一個(gè)高質(zhì)量 3D 紋理網(wǎng)格的時(shí)間從數(shù)小時(shí)降到了 45 秒！

然而在實(shí)現(xiàn)這個(gè)想法的過(guò)程中，研究人員卻遇到了一些具體的挑戰(zhàn)：

1. 現(xiàn)有的可泛化 NeRF 方法大都是將具有一致性的多視角圖像作為輸入（渲染自真實(shí)物體）。但如何將這類方法擴(kuò)展到不完全一致的多視角預(yù)測(cè)上呢？

2. 現(xiàn)有的可泛化 NeRF 方法很多都專注于前景區(qū)域的重建。但在 3D 生成的問(wèn)題中，我們希望得到 360 度的完整模型。

3. 由于 采用了球坐標(biāo)系來(lái)描述相對(duì)相機(jī)位姿。為了提供多視角圖像的相機(jī)位姿給重建模塊，我們需要得到輸入圖片對(duì)應(yīng)的相機(jī)俯仰角（）。

為了解決這些挑戰(zhàn)，研究者提出了一系列關(guān)鍵的訓(xùn)練策略（如分階段預(yù)測(cè)多視角圖像）和一個(gè)俯仰角預(yù)測(cè)模塊。詳情請(qǐng)參考原論文。

研究者還特別指出由于重建模塊主要依賴于局部的對(duì)應(yīng)關(guān)系（），因此其只需少量的數(shù)據(jù)進(jìn)行訓(xùn)練，并具有很強(qiáng)的可泛化性。

與現(xiàn)有 3D AI 生成方法的比較

研究者表示，得益于 “2D 多視角預(yù)測(cè) + 3D 可泛化重建” 的技術(shù)路線，One-2-3-45 與現(xiàn)有的 3D AI 生成方法相比，除了推斷時(shí)間顯著降低外，還在輸入的多樣性、輸出的幾何表示、結(jié)果的 3D 一致性、與輸入的相似性，以及所需的 3D 數(shù)據(jù)規(guī)模上，具有多方面的優(yōu)勢(shì)。

具體來(lái)說(shuō)，許多基于逐物體優(yōu)化的方法雖然能生成高質(zhì)量 3D 內(nèi)容，但目前只支持文字生成 3D（如 ， 和 ）。而 One-2-3-45 既支持文字生成 3D 也支持圖片生成 3D。下圖展示了 One-2-3-45 與現(xiàn)有的主要圖生 3D 的方法的對(duì)比。

與現(xiàn)有圖生 3D 方法的比較

可以看到一些基于 NeRF 優(yōu)化的方法（如 和 3D Fuse）雖然從新視角合成的角度上得到了還不錯(cuò)的結(jié)果，但 NeRF 所輸出的幾何質(zhì)量卻不盡人意。類似地，-E 的原生輸出是稀疏點(diǎn)云，在經(jīng)過(guò)后處理重建后仍易存在部分區(qū)域破碎缺失的問(wèn)題。而 One-2-3-45 通過(guò)預(yù)測(cè) SDF 來(lái)提取網(wǎng)格，輸出的幾何質(zhì)量要更具優(yōu)勢(shì)。

另外一個(gè)重要的點(diǎn)便是現(xiàn)有方法的輸出沒(méi)有完全遵循（）輸入圖片的指示。比如對(duì)于第一列的背包，+SD 生成的背包只有一條背帶；Shap-E 生成的背包沒(méi)有背帶。對(duì)于第二列的單只滅火器，Shap-E 和 -E 都預(yù)測(cè)了兩個(gè)兩個(gè)連體的滅火器。對(duì)于第四列的凳子，可以看到只有 One-2-3-45 和 保留了輸入圖片的椅腿結(jié)構(gòu)。但需要注意的是， 生成的所有 3D 內(nèi)容在具體風(fēng)格和細(xì)節(jié)上均與輸入圖片有較大出入。

此外，研究者還指出基于逐物體優(yōu)化的方法通常會(huì)遇到 3D 一致性的挑戰(zhàn)。他們生成的 3D 模型通常會(huì)出現(xiàn)多面現(xiàn)象（或者 問(wèn)題）。比如在上圖中， 生成了一個(gè)雙面背包。相比之下，One-2-3-45 生成結(jié)果的 3D 一致性要好很多。

研究者還提到了 的 -E 和 Shap-E 在訓(xùn)練時(shí)用到了數(shù)百萬(wàn)級(jí)別的內(nèi)部 3D 數(shù)據(jù)。由于 3D 數(shù)據(jù)的稀缺性，這樣的訓(xùn)練數(shù)據(jù)規(guī)模目前對(duì)于很多研究者 / 機(jī)構(gòu)來(lái)說(shuō)還是比較嚴(yán)苛的條件。

與現(xiàn)有文生 3D 方法的比較

可以看到除了之前提過(guò)的問(wèn)題外，現(xiàn)有的文生 3D 方法對(duì)輸入文本的把握能力并不是很強(qiáng)。比如，對(duì)于輸入文本 “一棵空心的大樹(shù)”，“一只有綠腿的橙色凳子”，“一頂哈瓦那風(fēng)格菠蘿形狀的帽子” 以及 “一只木頭質(zhì)地的蘑菇” 等，現(xiàn)有方法都無(wú)法生成精確對(duì)應(yīng)的 3D 內(nèi)容。相比之下，One-2-3-45 所采納的在 2D 生成對(duì)應(yīng)圖片再提升到 3D 似乎是一條能夠?qū)斎胛谋居懈泳_控制的路線。

結(jié)語(yǔ)

One-2-3-45 提出了 “2D 多視角預(yù)測(cè) + 3D 可泛化重建” 這樣一項(xiàng)新穎的 3D AI 生成玩法，并在許多方面都展示出了其優(yōu)越性。雖然目前 One-2-3-45 的生成質(zhì)量可能還比不上部分基于逐物體優(yōu)化的文生 3D 模型，但這個(gè)新玩法的探索和提高空間可能是充滿潛力的。

? THE END