【導(dǎo)讀】給一個(gè)文本提示就能生成3D模型！

自從文本引導(dǎo)的圖像生成模型火了以后，畫家群體迅速擴(kuò)張，不會用畫筆的人也能發(fā)揮想象力進(jìn)行藝術(shù)創(chuàng)作。

但目前的模型，如DALL-E 2, Imagen等仍然停留在二維創(chuàng)作（即圖片），無法生成360度無死角的3D模型。

想要直接訓(xùn)練一個(gè)text-to-3D的模型非常困難，因?yàn)镈ALL-E 2等模型的訓(xùn)練需要吞噬數(shù)十億個(gè)圖像-文本對，但三維合成并不存在如此大規(guī)模的標(biāo)注數(shù)據(jù)，也沒有一個(gè)高效的模型架構(gòu)對3D數(shù)據(jù)進(jìn)行降噪。

最近Google研究員另辟蹊徑，提出一個(gè)新模型DreamFusion，先使用一個(gè)預(yù)訓(xùn)練2D擴(kuò)散模型基于文本提示生成一張二維圖像，然后引入一個(gè)基于概率密度蒸餾的損失函數(shù)，通過梯度下降法優(yōu)化一個(gè)隨機(jī)初始化的神經(jīng)輻射場NeRF模型。

論文鏈接：https://arxiv.org/abs/2209.14988

訓(xùn)練后的模型可以在任意角度、任意光照條件、任意三維環(huán)境中基于給定的文本提示生成模型，整個(gè)過程既不需要3D訓(xùn)練數(shù)據(jù)，也無需修改圖像擴(kuò)散模型，完全依賴預(yù)訓(xùn)練擴(kuò)散模型作為先驗(yàn)。

從文本到3D模型

以文本為條件的生成性圖像模型現(xiàn)在支持高保真、多樣化和可控的圖像合成，高質(zhì)量來源于大量對齊的圖像-文本數(shù)據(jù)集和可擴(kuò)展的生成模型架構(gòu)，如擴(kuò)散模型。

雖然二維圖像生成的應(yīng)用場景十分廣泛，但諸如游戲、電影等數(shù)字媒體仍然需要成千上萬的詳細(xì)的三維資產(chǎn)來填充豐富的互動環(huán)境。

目前，3D資產(chǎn)的獲取方式主要由Blender和Maya3D等建模軟件手工設(shè)計(jì)，這個(gè)過程需要耗費(fèi)大量的時(shí)間和專業(yè)知識。

2020年，神經(jīng)輻射場（NeRF）模型發(fā)布，其中體積光線追蹤器與從空間坐標(biāo)到顏色和體積密度的神經(jīng)映射相結(jié)合，使得NeRF已經(jīng)成為神經(jīng)逆向渲染的一個(gè)重要工具。

最初，NeRF被發(fā)現(xiàn)可以很好地用于「經(jīng)典」的三維重建任務(wù)：一個(gè)場景下的不同角度圖像提供給一個(gè)模型作為輸入，然后優(yōu)化NeRF以恢復(fù)該特定場景的幾何形狀，能夠從未觀察到的角度合成該場景的新視圖。

很多三維生成方法都是基于NeRF模型，比如2022年提出的Dream Fields使用預(yù)訓(xùn)練的CLIP模型和基于優(yōu)化的方法來訓(xùn)練NeRF，直接從文本中生成3D模型，但這種方式生成的三維物體往往缺乏真實(shí)性和準(zhǔn)確性。

DreamFusion采用了與Dream Field類似的方法，但模型中的損失函數(shù)基于概率密度蒸餾，最小化基于擴(kuò)散的前向過程的共享的高斯分布族與預(yù)訓(xùn)練的擴(kuò)散模型所學(xué)習(xí)的分?jǐn)?shù)函數(shù)之間的KL散度。

擴(kuò)散模型是一個(gè)隱變量生成模型，學(xué)習(xí)如何逐步將一個(gè)樣本從簡單的噪聲分布轉(zhuǎn)換到數(shù)據(jù)分布。

擴(kuò)散模型的包括一個(gè)前向過程（forward process），緩慢地從數(shù)據(jù)中添加噪聲并移除結(jié)構(gòu)，兩個(gè)時(shí)間步之間的過渡通常服從高斯分布，并在反向過程（reverse process）或生成式模型中在噪聲上逐漸添加結(jié)構(gòu)。

現(xiàn)有的擴(kuò)散模型采樣方法產(chǎn)生的樣本與模型訓(xùn)練的觀測數(shù)據(jù)類型和維度相同，盡管有條件的擴(kuò)散采樣能夠?qū)崿F(xiàn)相當(dāng)大的靈活性，但在像素上訓(xùn)練的擴(kuò)散模型傳統(tǒng)上只用來對像素進(jìn)行采樣。

但像素采樣并不重要，研究人員只希望創(chuàng)建的三維模型在從隨機(jī)角度渲染時(shí)，看起來像是一張好的圖像。

可微分圖像參數(shù)化（DIP）允許模型表達(dá)約束條件，在更緊湊的空間中進(jìn)行優(yōu)化（例如任意分辨率的基于坐標(biāo)的MLPs），或利用更強(qiáng)大的優(yōu)化算法來遍歷像素空間。

對于三維來說，參數(shù)θ是三維體積的參數(shù)，可微生成器g是體積渲染器，為了學(xué)習(xí)這些參數(shù)，需要一個(gè)可以應(yīng)用于擴(kuò)散模型的損失函數(shù)。

文中采用的方法是利用擴(kuò)散模型的結(jié)構(gòu)，通過優(yōu)化實(shí)現(xiàn)可操作的取樣，當(dāng)損失函數(shù)最小化時(shí)生成一個(gè)樣本，然后對參數(shù)θ進(jìn)行優(yōu)化，使x=g(θ)看起來像凍結(jié)擴(kuò)散模型的樣本。

為了進(jìn)行這種優(yōu)化，還需要一個(gè)可微的損失函數(shù)，其中可信的圖像具有較低的損失，而不可信的圖像有高的損失，與DeepDream的過程類似。

在實(shí)踐中，研究人員發(fā)現(xiàn)即使是在使用一個(gè)相同的DIP時(shí)，損失函數(shù)也無法生成現(xiàn)實(shí)的樣本。但同期的一項(xiàng)工作表明，這種方法可以通過精心選擇的時(shí)間步長來實(shí)現(xiàn)，但這個(gè)目標(biāo)很脆弱，其時(shí)間步長的調(diào)整也很困難。

通過觀察和分解梯度可以發(fā)現(xiàn)，U-Net Jacobian項(xiàng)的計(jì)算成本很高（需要通過擴(kuò)散模型U-Net進(jìn)行反向傳播），而且對于小的噪聲水平來說條件很差，因?yàn)樗挠?xùn)練目標(biāo)為近似于邊際密度的縮放Hessian

通過實(shí)驗(yàn)，研究人員發(fā)現(xiàn)省略U-Net的Jacobian項(xiàng)可以帶來一個(gè)有效的梯度結(jié)果，能夠用于優(yōu)化帶有擴(kuò)散模型的DIPs

直觀來看，這個(gè)損失用對應(yīng)于時(shí)間步長的隨機(jī)數(shù)量的噪聲來擾動輸入數(shù)據(jù)，并估計(jì)出一個(gè)更新方向，該方向遵循擴(kuò)散模型的得分函數(shù)，以移動到一個(gè)更高密度的區(qū)域。

雖然這種用擴(kuò)散模型學(xué)習(xí)DIP的梯度可能看起來很特別，但實(shí)驗(yàn)結(jié)果表明更新方向確實(shí)是從擴(kuò)散模型學(xué)到的得分函數(shù)中得到的加權(quán)概率密度蒸餾損失的梯度。

研究人員將該采樣方法命名為得分蒸餾采樣（Score Distillation Sampling, SDS），因?yàn)樵撨^程與蒸餾有關(guān)，但使用的是得分函數(shù)而不是密度。

下一步就是通過將SDS與為該3D生成任務(wù)定制的NeRF變體相結(jié)合，DreamFusion可以為一組不同的用戶提供的文本提示生成了高保真的連貫的3D物體和場景。

文章中采用的預(yù)訓(xùn)練擴(kuò)散模型為Imagen，并且只使用分辨率為64×64的基礎(chǔ)模型，并按原樣使用這個(gè)預(yù)訓(xùn)練的模型，不做任何修改。

然后用隨機(jī)權(quán)重初始化一個(gè)類似于NeRF的模型，從隨機(jī)的相機(jī)位置和角度反復(fù)渲染該NeRF的視圖，用這些渲染結(jié)果作為環(huán)繞Imagen的分?jǐn)?shù)蒸餾損失函數(shù)的輸入。

給出一個(gè)預(yù)訓(xùn)練好的文本到圖像的擴(kuò)散模型，一個(gè)以NeRF形式存在的可w微分的圖像參數(shù)化DIP，以及一個(gè)損失函數(shù)（最小值代表好樣本），這樣無三維數(shù)據(jù)的文本到三維合成所需的所有組件就齊活了。

對于每個(gè)文本提示，都從頭開始訓(xùn)練一個(gè)隨機(jī)初始化的NeRF。

DreamFusion優(yōu)化的每次迭代都包含四步：

1、隨機(jī)采樣一個(gè)相機(jī)和燈光

在每次迭代中，相機(jī)位置在球面坐標(biāo)中被隨機(jī)采樣，仰角范圍從-10°到90°，方位角從0°到360°，與原點(diǎn)的距離為1到1.5

同時(shí)還在原點(diǎn)周圍取樣一個(gè)看（look-at）的點(diǎn)和一個(gè)向上（up）的矢量，并將這些與攝像機(jī)的位置結(jié)合起來，創(chuàng)建一個(gè)攝像機(jī)的姿勢矩陣。同時(shí)對焦距乘數(shù)服從U(0.7, 1.35)進(jìn)行采樣，點(diǎn)光位置是從以相機(jī)位置為中心的分布中采樣的。

使用廣泛的相機(jī)位置對合成連貫的三維場景至關(guān)重要，寬泛的相機(jī)距離也有助于提高學(xué)習(xí)場景的分辨率。

2、從該相機(jī)和燈光下渲染NeRF的圖像

考慮到相機(jī)的姿勢和光線的位置，以64×64的分辨率渲染陰影NeRF模型。在照明的彩色渲染、無紋理渲染和沒有任何陰影的反照率渲染之間隨機(jī)選擇。

3、計(jì)算SDS損失相對于NeRF參數(shù)的梯度

通常情況下，文本prompt描述的都是一個(gè)物體的典型視圖，在對不同的視圖進(jìn)行采樣時(shí)，這些視圖并不是最優(yōu)描述。根據(jù)隨機(jī)采樣的相機(jī)的位置，在提供的輸入文本中附加與視圖有關(guān)的文本是有益的。

對于大于60°的高仰角，在文本中添加俯視（overhead view），對于不大于60°的仰角，使用文本embedding的加權(quán)組合來添加前視圖、側(cè)視圖 或 后視圖，具體取決于方位角的值。

4、使用優(yōu)化器更新NeRF參數(shù)

3D場景在一臺有4個(gè)芯片的TPUv4機(jī)器上進(jìn)行了優(yōu)化，每個(gè)芯片渲染一個(gè)單獨(dú)的視圖并評估擴(kuò)散U-Net，每個(gè)設(shè)備的batch size為1。優(yōu)化了15,000次迭代，大約需要1.5小時(shí)。

實(shí)驗(yàn)部分評估了DreamFusion從各種文本提示中生成連貫的3D場景的能力。

與現(xiàn)有的zero-shot文本到3D生成模型進(jìn)行比較后可以發(fā)現(xiàn)，DreamFusion模型中能夠?qū)崿F(xiàn)精確3D幾何的關(guān)鍵組件。

通過對比DreamFusion和幾個(gè)基線的R-精度，包括Dream Fields、CLIP-Mesh和一個(gè)評估MS-COCO中原始字幕圖像的oracle，可以發(fā)現(xiàn)DreamFusion在彩色圖像上的表現(xiàn)超過了這兩個(gè)基線，并接近于ground-truth圖像的性能。

雖然Dream Fields的實(shí)現(xiàn)在用無紋理渲染評估幾何圖形（Geo）時(shí)表現(xiàn)得很好，但DreamFusion在58.5%的情況里與標(biāo)準(zhǔn)一致。

審核編輯 ：李倩