3D生成重建006-3DFuse 形状引导一致性的文生3d的方法
文章目录
- 0 论文介绍
- 1 论文方法
- 1.1 semantic code
- 1.2 稀疏深度信息PointE
- 1.3 lora部分
- 2 效果
0 论文介绍
在004-DreamFusion and SJC 中dreamfusion提到将2D观测结果“提升”到3D世界的任务本质上是模糊的，并可能受益于更健壮的3D先验。这篇论文就是基于这个点出发，对文生3d进行拓展。这篇论文基于dreamfusion的思路，引入PointE的图生3d模型，生成一个初步的粗糙的点云，然后将稀疏的深度引导加入到扩散模型中，因为加入了更多的约束条件，所以进一步控制nerf往一个固定的方向去优化，这一定程度上能帮助缓解CFG过大问题，让模型可能不需要那么大的CFG系数。这个点是论文的核心点。另外设计的两个点一个就是类似gan inversion的思路，通过文本生成图像之后，去反优化text表示 e ∗ e^* e∗，这种做法有利于减少文本的歧义性。第三个点就是为了在风格上保持一致，论文在中间微调了一个lora层，在进行深度扩散的时候可以让生成的结果在风格上保持一致，这和第一点有点类似的效果，应该一定程度能让CFG系数不那么大，从而减轻过饱和过度光滑问题。值得一提的是，虽然引入了形状先验，但是他使用的稀疏的深度信息，但是依然不能存在Janus problem（多面体问题）。在使用形状引导这点他和同期的latent nerf是很接近的，换一种角度理解这跟通过文本给mesh着色也是很接近，只不过3dfuse的形状更加粗糙。
参考
论文资料链接3dfuse
1 论文方法
下面这个图是论文的整体结果图。整体上也是围绕前面的三点进行，只不过与介绍顺序不同。这张图最左边的部分，生成semantic code这部分约等于inversion操作。右上角绿色的部分包含一个形状先验，是通过PointE实现的。其中橙色方框中的LoRA layers是要根据左边生成的几张视图进行训练的，训练好之后，才会和深度信息一起跟扩散模型的Unet结果结合。右下角部分就是一个nerf场。
1.1 semantic code
这个部分基本上就是扩散模型中textual inversion论文来实现的。输入一个promt，扩散模型生成一张图像，然后基于生成的图像和输入的prompt进行反向优化得到更新的 e ∗ e^* e∗,公式原理如下 e ∗ = arg min e ∣ ∣ ϵ θ ( x t ^ , e ) − ϵ ∣ ∣ 2 2 e^*=\mathop{\arg\min}\limits_{e}||\epsilon_{\theta}(\hat{x_t},e)-\epsilon||_2^2 e∗=eargmin∣∣ϵθ(xt^,e)−ϵ∣∣22
其中 x t ^ \hat{x_t} xt^表示对生成的图像添加噪声。
这个操作在其他3d生成算法中也有出现，比如realFusion和Chasing Consistency等，下面两个图中有体现。
1.2 稀疏深度信息PointE
pointE是openAi在大型的3d数据集上训练的一个点云扩散模型。效果虽然比较粗糙，但是能够提供一定的先验信息，他的升级版本是shapE,d都是很贵的模型。
1.3 lora部分
LoRA在大模型很火热的今天，属于很重要的工具，因为动不动就去调整几百几千亿参数的大模型是很吃力的，LoRA就是一个很优秀的微调算法。参考链接lora
如上图，在原始 PLM (Pre-trained Language Model) 旁边增加一个旁路，做一个降维再升维的操作，来模拟所谓的intrinsic rank。训练的时候固定 PLM 的参数，只训练降维矩阵 与升维矩阵 ，而模型的输入输出维度不变，输出时将 与 PLM 的参数叠加。用随机高斯分布初始化 ，用 0 矩阵初始化 ，保证训练的开始此旁路矩阵依然是 0 矩阵。参考知乎
2 效果
可以看出来，还是存在确实细节和多面体问题，但是过饱和得到一定缓解。
3dfuse
