0. 筆者個人體會

提問：給你一張2D圖像，要求獲得完整的三維模型，你會怎么做？

我第一反應(yīng)是拿SolidWorks自己畫一個~

最近就看到了這樣的一項(xiàng)開源工作Wonder3D，可以直接從2D圖像生成3D模型，感覺很神奇。讀了讀文章，發(fā)現(xiàn)這項(xiàng)工作是基于擴(kuò)散模型實(shí)現(xiàn)的，這里也不得不感嘆擴(kuò)散模型確實(shí)在AI繪畫和圖像生成領(lǐng)域有無限前景。今天筆者也將帶領(lǐng)讀者閱讀一下這項(xiàng)工作，當(dāng)然筆者水平有限，如果有理解不當(dāng)?shù)牡胤綒g迎大家一起探討，共同學(xué)習(xí)。

1. 效果展示

Wonder3D僅需2~3分鐘即可從單視圖圖像重建高細(xì)節(jié)紋理網(wǎng)格。Wonder3D首先通過跨域擴(kuò)散模型生成一致的多視法線圖與相應(yīng)的彩色圖像，然后利用一種法線融合方法來實(shí)現(xiàn)快速和高質(zhì)量的重建。這里也推薦「3D視覺工坊」新課程《徹底搞透視覺三維重建：原理剖析、代碼講解、及優(yōu)化改進(jìn)》。

對不同風(fēng)格的圖像也都適用。

甚至對各種小動物也適用：

代碼已經(jīng)開源了，而且他們的官方主頁還放上了Live Demo的鏈接，感興趣的讀者可以上傳自己的圖像來嘗試，下面展示一下筆者自己的測試結(jié)果。

原始圖像：

生成的多視角圖像：

2. 摘要

在這篇文章中，我們介紹了Wonder3D，一種從單視圖圖像中高效生成高保真紋理網(wǎng)格的新方法。基于分?jǐn)?shù)蒸餾采樣(SDS)的最近方法已經(jīng)顯示出從2D擴(kuò)散先驗(yàn)恢復(fù)3D幾何形狀的潛力，但是它們通常遭受每個形狀優(yōu)化的耗時和不一致的幾何形狀。相比之下，某些作品通過快速網(wǎng)絡(luò)推理直接產(chǎn)生3D信息，但其結(jié)果通常質(zhì)量較低且缺乏幾何細(xì)節(jié)。為了從整體上提高圖像到3D任務(wù)的質(zhì)量、一致性和效率，我們提出了一種跨域擴(kuò)散模型來生成多視圖法線貼圖和相應(yīng)的彩色圖像。為了確保一致性，我們采用了一種多視圖跨域關(guān)注機(jī)制，該機(jī)制有助于跨視圖和模態(tài)的信息交換。最后，我們介紹了一種幾何感知法向融合算法，從多視圖2D表示中提取高質(zhì)量的表面。我們的大量評估表明，與先前的工作相比，我們的方法實(shí)現(xiàn)了高質(zhì)量的重建結(jié)果、魯棒的泛化以及相當(dāng)好的效率。

3. 算法解析

先讓我們重新審視一下這個問題：

給定單張圖像，繪制其三維模型。

傳統(tǒng)方法會怎么做呢？

使用SLAM或SfM？單張圖像做初始化都不夠。

使用MVS方法？沒有多視角圖像就沒有視差圖。

用NeRF？最吃數(shù)據(jù)了，視角大一點(diǎn)都不行。

直接訓(xùn)模型學(xué)習(xí)？思路上可以，實(shí)操起來效果非常差。

這個任務(wù)本身就非常反人類，因?yàn)橹挥幸粋€視角，沒有先驗(yàn)信息誰也不知道完整的三維模型長什么樣。

那怎么做呢？

這篇文章的思路很巧妙，沒有像NeRF那樣直接從2D圖像生成3D模型，而是先用擴(kuò)散模型生成多個視角的2D圖像和法線圖，再融合生成3D模型。

這么做有啥好處呢？

最大的好處就是可以直接利用Stable Diffusion這種經(jīng)過數(shù)十億張圖像訓(xùn)練過的2D擴(kuò)散模型，實(shí)際上相當(dāng)于引入了非常強(qiáng)的先驗(yàn)信息。而且法線圖可以表征物體的起伏和表面幾何信息，進(jìn)而計(jì)算3D模型的高保真幾何元素。

這樣，整個任務(wù)就變?yōu)榱私⒁粋€馬爾科夫鏈，然后從中采樣顏色和法線信息的過程。

其中p代表高斯噪聲，n代表法線圖，x代表RGB圖，K代表圖像數(shù)量。

不太對，擴(kuò)散模型只能處理一個域，怎么出來RGB和法線兩個域了？

的確是這樣，最直觀的改動思路就是給擴(kuò)散模型添加一個頭，重新訓(xùn)練模型，直接輸出RGB和法線信息，這也是前兩年多任務(wù)網(wǎng)絡(luò)的常用做法。但是實(shí)際操作過程中會發(fā)現(xiàn)收斂很慢，而且泛化性差。

另一個思路是直接訓(xùn)練兩個擴(kuò)散模型，但這樣不光增加了計(jì)算量，還會導(dǎo)致性能下降。

Wonder3D的做法是設(shè)計(jì)了一個域轉(zhuǎn)換器（Domain Switcher），實(shí)際上是一個標(biāo)注域信息的一維向量。域轉(zhuǎn)換器先做位置編碼，聚合時間embedding信息，再把它也輸送給擴(kuò)散模型，就可以讓擴(kuò)散模型同時處理兩個域的信息。

這一點(diǎn)可以先放一個定性對比圖來觀察：

還有問題，RGB和法線是獨(dú)立生成的，多視角的RGB圖也未必就幾何一致。

在這里，Wonder3D引入了一個注意力機(jī)制，分別處理多個時間RGB幾何不一致的問題，以及RGB和法線圖的關(guān)聯(lián)問題。

到這里，Wonder3D具體的Pipeline就出來了：

輸入一幅圖像，Wonder3D取原始圖像、CLIP產(chǎn)生的文本embedding、多視角相機(jī)參數(shù)，以及一個域轉(zhuǎn)換器作為條件，生成一致的多視點(diǎn)法線圖和彩色圖。隨后，Wonder3D借助法線融合算法，將2D表征重建為高質(zhì)量的3D幾何圖形，產(chǎn)生高保真的紋理網(wǎng)格。

最后再看看這個幾何融合是怎么做的：

Wonder3D是優(yōu)化神經(jīng)隱式SDF場，來從匹配的RGB和法線圖中提取完整的三維信息。

剛才不是說NeRF需要稠密的圖像序列嗎？

如果直接做NeRF-SDF重建的話，誤差非常大，并且會一直累計(jì)下去。Wonder3D的做法是引入了一系列損失函數(shù)來約束優(yōu)化：

4. 實(shí)驗(yàn)

訓(xùn)練數(shù)據(jù)集是LVIS子集，batch size是512，在8塊A800上訓(xùn)練了3天（果然普通人還是玩不起）。從2D圖像生成3D模型的方法還是用的Instant NGP（論NeRF在各個領(lǐng)域的入侵haaaaa）。評估使用Google Scanned Object數(shù)據(jù)集。評估指標(biāo)方面，3D重建用Chamfer Distances (CD)和Volume IoU，生成圖像質(zhì)量用PSNR、SSIM、LPIPS這幾個常見指標(biāo)。對比的方案也都是目前的SOTA，包括Zero123、RealFusion、Magic123、One-2-3-45、Point-E、Shap-E、SyncDreamer這些。

新視點(diǎn)合成對比，Zero 123缺乏多視圖一致性，SyncDreamer對輸入圖像的仰角比較敏感，但是Wonder3D生成具有語義一致性和幾何一致性的圖像。這里也推薦「3D視覺工坊」新課程《徹底搞透視覺三維重建：原理剖析、代碼講解、及優(yōu)化改進(jìn)》。

新視點(diǎn)合成的定量對比。

3D重建質(zhì)量的對比，Shape-E的重建結(jié)果不完整且扭曲。SyncDreamer的重建結(jié)生成圖像大致對齊，但紋理質(zhì)量不好。相比之下Wonder3D實(shí)現(xiàn)幾何和紋理上最高的重建質(zhì)量。

3D重建的定量對比。

最后3D生成模型中各項(xiàng)損失函數(shù)的消融實(shí)驗(yàn)，驗(yàn)證損失函數(shù)的必要性：

還是一個消融實(shí)驗(yàn)，驗(yàn)證多視圖幾何一致性和RGB-法線對其的注意力機(jī)制的作用：

5. 總結(jié)

本文為各位讀者介紹了Wonder3D，可以從單張圖像直接生成完整的三維模型，整個模型的設(shè)計(jì)思路很巧妙，而且也開源。渲染速度也達(dá)到了2~3分鐘，這項(xiàng)工作的應(yīng)用也很廣泛，建圖、VR、AR、動畫、影視等等都可以用。感覺Wonder3D還是很神奇的，有點(diǎn)長見識了。