论文解读 | CVPR2024：Sherpa3D：通过粗略的3D先验提升高保真文本到3D生成

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

刘芳甫 ，清华大学博士生

最近，通过利用2D和3D扩散模型，从文本提示创建3D内容取得了显著进展。虽然3D扩散模型确保了良好的几何一致性，但由于3D数据有限，其生成高质量和多样化3D内容的能力受到限制。相比之下，2D扩散模型通过一种提炼方法，在不使用任何3D数据的情况下实现了卓越的泛化能力和丰富的细节。然而，2D提升方法由于固有的视角不可知的模糊性，导致了严重的多面性问题，即文本提示无法提供足够的指导来学习一致的3D结果。我们没有重新训练一个昂贵的视点感知模型，而是研究如何充分利用易于获取的粗略3D先验知识来增强提示并引导2D提升优化进行细化。在本文中，我们提出了Sherpa3D，一个新的文本到3D框架，能够同时实现高保真度、通用性和几何一致性。具体而言，我们设计了一对指导策略，来自由3D扩散模型生成的粗略3D先验：几何保真度的结构指导和3D一致性的语义指导。通过采用这两种指导，2D扩散模型丰富了3D内容，产生了多样化和高质量的结果。大量实验证明了我们的Sherpa3D在质量和3D一致性方面优于最新的文本到3D方法。

论文地址： https://arxiv.org/pdf/2312.06655

代码地址： https://liuff19.github.io/Sherpa3D/

项目地址： https://jamesyjl.github.io/DreamReward/

Sherpa3D 是一个全新的文本到3D生成框架。该框架能够在25分钟内生成高保真度、多样化且符合几何一致性的三维物体。相比于现有的方法，Sherpa3D在生成质量和时间上均有显著提升。

3D生成技术的发展历程可以从ICLR 2023年的DreamFusion开始，该方法在生成质量和时间效率上存在一定局限。随后在ICLR 2024年提出的SweetDreamer，虽然在生成质量上有所提升，但需要大量的3D数据进行训练。本文的研究表明，Sherpa3D的性能与SweetDreamer相当，但在时间效率上更具优势。

此外，ICLR 2024年的Dream Gaussian在生成速度上实现了突破，但其生成的纹理质量仍有提升空间。相比之下，Sherpa3D有效解决了现有方法中的诸多问题，并提出了一个全新的框架，显著提升了3D生成的质量和效率。

3D AIGC的发展分为两个主要范式。第一个范式以DreamFusion为代表，采用优化的方式。该方法旨在将2D扩散模型的能力提升到3D空间，通过SDS损失（Score Distillation Sampling loss）实现。具体来说，3D物体的每一个侧面都在2D世界中见到过，因此可以通过2D扩散模型来监督整个3D物体的生成。SDS的本质是将2D扩散模型的能力进行蒸馏，通过对损失函数直接求梯度的方式，监督3D物体的生成。

第二个范式是从合成数据进行训练，称为合成数据原生推理的方法。主要代表方法包括早期的CP、PointE以及近期利用ObjectVerse训练多视图数据的生成方法。

本文的研究动机在于分析现有的2D和3D扩散模型，即前面提到的两种范式。2D扩散模型的优势在于其训练数据集非常丰富，2D图像数量庞大，具备很强的泛化能力，能够生成细节丰富的图像。然而，2D扩散模型的局限在于其仅见过2D图像，而且2D图像数据集存在长尾分布问题，例如正面图像远多于背面图像，导致其缺乏3D先验，容易出现多面（multi-face）问题，例如DreamFusion生成的图像可能正面和背面都有脸。

相比之下，3D扩散模型因为直接使用3D数据进行训练，具备很好的多视角一致性，不会出现多面的问题。但其不足在于3D数据相对于2D数据量非常少，导致模型的质量和泛化能力较差。

因此，该研究的目标是同时解决上述问题，提出一个质量高、泛化性好，并且能够保证几何一致性的模型。

作者提出了Sherpa3D框架。Sherpa意指喜马拉雅山的向导，引导登山者攀登高峰。类似地，本文所提框架引导2D扩散模型逐步优化，最终生成高质量且具备3D一致性的模型。

首先，需要解决以下三个挑战。第一个挑战是在2D转3D的过程中，容易出现多个面部的情况。第二个挑战是仅使用2D扩散模型时，可能生成的几何结构不稳定。第三个挑战是引入3D扩散模型作为先验时，需要平衡2D和3D扩散模型在整个优化过程中的作用权重。

为了解决这些挑战，本文方法如下。首先通过3D扩散模型生成一个粗略的3D先验，然后将3D先验投影成不同的侧面图像。接着，使用结构引导和语义引导来辅助2D提升过程。结构引导利用3D先验引导后续的2D提升过程，避免出现结构不良的几何现象；语义引导则通过3D先验提供正面、背面和侧面的语义信息，从而缓解多面问题。最后，作者提出了一个分步退火策略（Step Annealing Strategy），在整个优化过程中平衡2D和3D扩散模型的作用。

Method in detail

在该方法中，作者首先讨论了哪些知识可以作为优化过程的引导。通过实验，作者发现几何不一致性是导致3D性能不佳的一个主要原因。因此，优化过程主要集中在几何优化上的设计和改进。

首先，在结构引导方面，为了保留粗略3D先验的结构，本文采用了一个简单的边缘提取算子来描述其轮廓。这使得在后续的优化过程中，生成的3D形状能够与初始的3D形状保持几何大小的一致，避免几何结构出现问题。

其次，在语义引导方面，作者通过约束语义一致性来避免多面问题。这样可以确保生成的3D物体在不同视角下具有一致的外观。

第三，本文引入了一个分步退火策略（step annealing strategy）来平衡2D和3D优化的作用。如果没有分步退火，3D扩散模型可能会过度发挥作用，从而导致生成的细节不足。因此，通过分步退火策略，就能够在优化过程中适当调整2D和3D扩散模型的作用权重，保证生成结果的细节和一致性。

最后，文中的优化是在几何空间进行的，而不是在RGB空间。具体来说，通过对法线向量进行SDS优化。在早些时候的SCP 2023和Fantasia 3D研究中，已经证明了这种方法的有效性。Stable diffusion使用的训练数据中包含了一部分法线数据，因此可以很快地对SDS进行收敛。

以下是生成的一个模型的可视化结果，这是使用Blender进行渲染的。

以下是更多的实验结果。可以看到，早期的方法如CPE尽管在3D一致性上表现良好，但生成的质量非常粗糙。DreamFusion、Magic3D、Fantasia3D和ProlificDreamer等方法在生成时间上都非常长，并且经常出现多脸和多头的问题，质量也较差。

相比之下，本文方法在解决多面问题上表现出色。最左边的结果是Sherpa3D生成的3D模型，显示出Sherpa3D不仅有效解决了多面问题，还在质量和逼真度上达到了更高水平，生成的3D模型更加真实可信。

More Experiment Results

进一步的实验结果表明，在CLIP上的验证中，Sherpa3D表现出最高的性能。此外，用户研究也显示，Sherpa3D更受大众欢迎。

值得一提的是，由于Sherpa3D仅在几何空间进行优化，因此可以充分发挥Stable Diffusion的上色能力和泛化能力。在整个优化过程中，不会改变Stable Diffusion的特性，这使得Sherpa3D在生成质量上优于直接使用3D数据训练的模型。例如，ObjectVerse和MV-Dream等方法可能会过拟合到特定的数据集颜色空间，而Sherpa3D则能够避免这种情况。

此外，Sherpa3D在解决OOD（Out-of-Distribution）现象时表现出色。无论是生成多样化和具有高度泛化能力的提示，还是进行简单的编辑操作（如只改变纹理而不改变几何结构），Sherpa3D都能很好地完成任务。