360度场景生成是计算机视觉的重要任务。主流方法主要可分为两类，一类利用图像扩散模型分别生成360度场景的多个视角。由于图像扩散模型缺乏场景全局结构的先验知识，这类方法无法有效生成多样的360度视角，导致场景内主要的目标被多次重复生成，如图1的床和雕塑。

另一类方法将360度场景用一张Equirectangular Image来表示，并用GAN或扩散模型直接生成。由于该表征的局限性，这类方法通常无法有效完成360度闭环（如图2每张图片的中间部分），导致360度的连接处出现明显的分界线。同时由于缺少大规模训练数据，这类方法有时无法生成复合输入条件的场景。最后，这类方法通常只能接受文字作为输入。

为了解决这些问题，来自美国英特尔研究院的Zhipeng Cai等人提出了L-MAGIC（Language Model Assisted Generation of Images with Coherence），通过使用语言模型控制图像扩散模型有效实现高质量，多模态，零样本泛化的360度场景生成。L-MAGIC的live demo已被选为英特尔公司2024年的5个技术突破之一在ISC HPC 2024上展示。

项目主页： https://zhipengcai.github.io/MMPano

论文： https://arxiv.org/pdf/2406.01843

代码： https://github.com/IntelLabs/MMPano

Youtube视频介绍： https://youtu.be/XDMNEzH4-Ec

Intel ISC HPC 2024 live demo： https://www.intel.com/content/www/us/en/events/supercomputing.html

Intel Featured Blog： https://community.intel.com/t5/Blogs/Tech-Innovation/Artificial-Intelligence-AI/Advancing-Gen-AI-on-Intel-Gaudi-AI-Accelerators-with-Multi-Modal/post/1603746

方法

如图3所示，L-MAGIC是一个结合了语言模型及扩散模型的场景生成框架。L-MAGIC通过自然图像连接各类不同模态的输入。当输入不是一张自然图像时，L-MAGIC使用成熟的条件扩散模型如ControlNet从各种模态的输入（文字，手绘草图，深度图等等）生成一张自然图像。在获得自然图像之后，L-MAGIC通过iterative warping and inpainting来生成360度场景的多个视角。在每一个iteration中，warping step将已生成的多视角warp到一个新的视角，实例中的黑色部分代表新视角中的缺失像素。Inpainting step使用基于扩散的图像inpainting模型（Stable Diffusion v2）生成缺失像素。为了使图像扩散模型能够生成多样的全局场景结构，L-MAGIC使用语言模型控制扩散模型在每个视角需要生成的场景内容。除了生成360度场景的全景图，利用深度估计模型，L-MAGIC还能够生成包含相机旋转及平移的沉浸式视频，以及场景的三维点云。由于无需微调，L-MAGIC能够有效地保持语言及扩散模型的泛化性，实现多样化场景的高质量生成。

L-MAGIC的核心是使用语言模型全自动地控制扩散模型。如图4所示若用户未提供场景的文字描述，L-MAGIC使用视觉语言模型（如BLIP-2）基于输入图像获得场景的整体描述（line 2）。获得场景描述后，L-MAGIC使用如ChatGPT的语言模型（开源代码已支持ChatGPT-3.5，ChatGPT-4，Llama3），使其根据整体场景描述生成各个视角的描述（line 3），并决定对该场景是否需要防止重复物体的生成（line 5，如树林里各个视角都是树是合理的，但卧室有5张床就比较少见，L-MAGIC利用大语言模型的泛化性能自适应地规避不合理的重复目标）。由于扩散模型训练数据的bias，有时扩散模型的输出无法完全符合语言模型的prompt要求。为了解决该问题，L-MAGIC再次使用视觉语言模型监督扩散模型的输出（line 14-18），如果扩散模型的输出不符合语言模型的要求，L-MAGIC会重新进行当前视角的生成。

结果

如图5所示，L-MAGIC在图像到360度场景生成及文字到360度场景生成任务中均达到了SOTA。

如图6及图7所示，L-MAGIC在多样的输入及场景下均能够生成具有多样化360度场景结构的全景图，并且能够平滑地完成360度闭环。

如图8所示，除了文字及自然图像之外，L-MAGIC还能够使用ControlNet接受多样化的输入，例如深度图，设计草图等。

通过利用成熟的计算机视觉算法例如深度估计，L-MAGIC还能够生成场景的沉浸式视频 （见presentation video）以及三维点云（图9）。有趣的是，我们能够清晰地分辨海底场景点云中鱼以及珊瑚的几何结构。

作者介绍：

蔡志鹏博士（https://zhipengcai.github.io/）是美国英特尔研究院的研究员，博士毕业于澳大利亚阿德莱德大学。他的研究兴趣包括鲁棒视觉感知，持续学习和生成模型等。他的工作已在领域顶级会议杂志上发表超过15篇。其中5篇文章被选为顶级会议（ECCV18*2，ICCV19，ICLR24，CVPR24）口头或特邀报告，对鲁棒估计计算复杂度的理论证明工作被选为ECCV18 12篇最佳论文之一。

公众号后台回复“ 数据集 ”获取100+深度学习各方向资源整理