Stable Diffusion 背后公司 Stability AI 又上新了。
這次帶來(lái)的是圖生 3D 方面的新進(jìn)展：
基于 Stable Video Diffusion 的 Stable Video 3D（SV3D），只用一張圖片就能生成高質(zhì)量 3D 網(wǎng)格。
Stable Video Diffusion（SVD）是 Stability AI 此前推出的高分辨率視頻生成模型。也就是說(shuō)，此番登場(chǎng)的 SV3D 首次將視頻擴(kuò)散模型應(yīng)用到了 3D 生成領(lǐng)域。
官方表示，基于此，SV3D 大大提高了 3D 生成的質(zhì)量和視圖一致性。
模型權(quán)重依然開(kāi)源，不過(guò)僅可用于非商業(yè)用途，想要商用的話(huà)還得買(mǎi)個(gè) Stability AI 會(huì)員~
話(huà)不多說(shuō)，還是來(lái)扒一扒論文細(xì)節(jié)。
將視頻擴(kuò)散模型用于 3D 生成
引入潛在視頻擴(kuò)散模型，SV3D 的核心目的是利用視頻模型的時(shí)間一致性來(lái)提高 3D 生成的一致性。
并且視頻數(shù)據(jù)本身也比 3D 數(shù)據(jù)更容易獲得。
Stability AI 這次提供兩個(gè)版本的 SV3D：
SV3D_u：基于單張圖像生成軌道視頻。
SV3D_p：擴(kuò)展了 SV3D_u 的功能，可以根據(jù)指定的相機(jī)路徑創(chuàng)建 3D 模型視頻。
研究人員還改進(jìn)了 3D 優(yōu)化技術(shù)：采用由粗到細(xì)的訓(xùn)練策略，優(yōu)化 NeRF 和 DMTet 網(wǎng)格來(lái)生成 3D 對(duì)象。
他們還設(shè)計(jì)了一種名為掩碼得分蒸餾采樣（SDS）的特殊損失函數(shù)，通過(guò)優(yōu)化在訓(xùn)練數(shù)據(jù)中不直接可見(jiàn)的區(qū)域，來(lái)提高生成 3D 模型的質(zhì)量和一致性。
同時(shí)，SV3D 引入了一個(gè)基于球面高斯的照明模型，用于分離光照效果和紋理，在保持紋理清晰度的同時(shí)有效減少了內(nèi)置照明問(wèn)題。
具體到架構(gòu)方面，SV3D 包含以下關(guān)鍵組成部分：
UNet：SV3D 是在 SVD 的基礎(chǔ)上構(gòu)建的，包含一個(gè)多層 UNet，其中每一層都有一系列殘差塊（包括 3D 卷積層）和兩個(gè)分別處理空間和時(shí)間信息的 Transformer 模塊。
條件輸入：輸入圖像通過(guò) VAE 編碼器嵌入到潛在空間中，會(huì)和噪聲潛在狀態(tài)合并，一起輸入到 UNet 中；輸入圖像的 CLIP 嵌入矩陣則被用作每個(gè) Transformer 模塊交叉注意力層的鍵值對(duì)。
相機(jī)軌跡編碼：SV3D 設(shè)計(jì)了靜態(tài)和動(dòng)態(tài)兩種類(lèi)型的軌道來(lái)研究相機(jī)姿態(tài)條件的影響。靜態(tài)軌道中，相機(jī)以規(guī)律間隔的方位角圍繞對(duì)象；動(dòng)態(tài)軌道則允許不規(guī)則間隔的方位角和不同的仰角。
相機(jī)的運(yùn)動(dòng)軌跡信息和擴(kuò)散噪聲的時(shí)間信息會(huì)一起輸入到殘差模塊中，轉(zhuǎn)換為正弦位置嵌入，然后這些嵌入信息會(huì)被整合并進(jìn)行線(xiàn)性變換，加入到噪聲時(shí)間步長(zhǎng)嵌入中。
這樣的設(shè)計(jì)旨在通過(guò)精細(xì)控制相機(jī)軌跡和噪聲輸入，提升模型處理圖像的能力。
此外，SV3D 在生成過(guò)程中采用 CFG（無(wú)分類(lèi)器引導(dǎo)）來(lái)控制生成的清晰度，特別是在生成軌道的最后幾幀時(shí)，采用三角形 CFG 縮放來(lái)避免過(guò)度銳化。
研究人員在 Objaverse 數(shù)據(jù)集上訓(xùn)練 SV3D，圖像分辨率為 575×576，視場(chǎng)角為 33.8 度。論文透露，所有三種模型（SV3D_u，SV3D_c，SV3D_p）在 4 個(gè)節(jié)點(diǎn)上訓(xùn)練了 6 天左右，每個(gè)節(jié)點(diǎn)配備 8 個(gè) 80GB 的 A100 GPU。
實(shí)驗(yàn)結(jié)果
在新視角合成（NVS）和 3D 重建方面，SV3D 超過(guò)了現(xiàn)有其他方法，達(dá)到 SOTA。
從定性比較的結(jié)果來(lái)看，SV3D 生成的多視角試圖，細(xì)節(jié)更豐富，更接近與原始輸入圖像。也就是說(shuō)，SV3D 在理解和重構(gòu)物體的 3D 結(jié)構(gòu)方面，能夠更準(zhǔn)確地捕捉到細(xì)節(jié)，并保持視角變換時(shí)的一致性。
這樣的成果，引發(fā)了不少網(wǎng)友的感慨：
可以想象，在未來(lái) 6-12 個(gè)月內(nèi)，3D 生成技術(shù)將會(huì)被用到游戲和視頻項(xiàng)目中。
評(píng)論區(qū)也總少不了一些大膽的想法……
并且項(xiàng)目開(kāi)源嘛，已經(jīng)有第一波小伙伴玩上了，在 4090 上就能跑起來(lái)。
如果你也有第一手實(shí)測(cè)體會(huì)，歡迎在評(píng)論區(qū)分享~
參考鏈接：
[1]https://twitter.com/StabilityAI/status/1769817136799855098
[2]https://stability.ai/news/introducing-stable-video-3d
[3]https://sv3d.github.io/index.html
本文來(lái)自微信公眾號(hào)：量子位 （ID：QbitAI），作者：魚(yú)羊
廣告聲明：文內(nèi)含有的對(duì)外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時(shí)間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。