僅輸入一行文本，就能生成 3D 動(dòng)態(tài)場(chǎng)景？

沒錯(cuò)，已經(jīng)有研究者做到了?？梢钥闯鰜?，目前的生成效果還處于初級(jí)階段，只能生成一些簡(jiǎn)單的對(duì)象。不過這種「一步到位」的方法仍然引起了大量研究者的關(guān)注：

在最近的一篇論文中，來自 Meta 的研究者首次提出了可以從文本描述中生成三維動(dòng)態(tài)場(chǎng)景的方法 MAV3D (Make-A-Video3D)。

• 論文鏈接：https://arxiv.org/abs/2301.11280
• 項(xiàng)目鏈接：https://make-a-video3d.github.io/

具體而言，該方法運(yùn)用 4D 動(dòng)態(tài)神經(jīng)輻射場(chǎng)（NeRF），通過查詢基于文本到視頻（T2V）擴(kuò)散的模型，優(yōu)化場(chǎng)景外觀、密度和運(yùn)動(dòng)的一致性。任意機(jī)位或角度都可以觀看到提供的文本生成的動(dòng)態(tài)視頻輸出，并可以合成到任何 3D 環(huán)境中。

MAV3D 不需要任何 3D 或 4D 數(shù)據(jù)，T2V 模型只對(duì)文本圖像對(duì)和未標(biāo)記的視頻進(jìn)行訓(xùn)練。

讓我們看一下 MAV3D 從文本生成 4D 動(dòng)態(tài)場(chǎng)景的效果：

此外，它也能從圖像直接到 4D，效果如下：

研究者通過全面的定量和定性實(shí)驗(yàn)證明了該方法的有效性，先前建立的內(nèi)部 baseline 也得到了改進(jìn)。據(jù)悉，這是第一個(gè)根據(jù)文本描述生成 3D 動(dòng)態(tài)場(chǎng)景的方法。

方法

該研究的目標(biāo)在于開發(fā)一項(xiàng)能從自然語言描述中生成動(dòng)態(tài) 3D 場(chǎng)景表征的方法。這極具挑戰(zhàn)性，因?yàn)榧葲]有文本或 3D 對(duì)，也沒有用于訓(xùn)練的動(dòng)態(tài) 3D 場(chǎng)景數(shù)據(jù)。因此，研究者選擇依靠預(yù)訓(xùn)練的文本到視頻（T2V）的擴(kuò)散模型作為場(chǎng)景先驗(yàn)，該模型已經(jīng)學(xué)會(huì)了通過對(duì)大規(guī)模圖像、文本和視頻數(shù)據(jù)的訓(xùn)練來建模場(chǎng)景的真實(shí)外觀和運(yùn)動(dòng)。

從更高層次來看，在給定一個(gè)文本 prompt p 的情況下，研究可以擬合一個(gè) 4D 表征，它模擬了在時(shí)空任意點(diǎn)上與 prompt 匹配的場(chǎng)景外觀。沒有配對(duì)訓(xùn)練數(shù)據(jù)，研究無法直接監(jiān)督的輸出；然而，給定一系列的相機(jī)姿勢(shì)? ?就可以從渲染出圖像序列并將它們堆疊成一個(gè)視頻 V。然后，將文本 prompt p 和視頻 V 傳遞給凍結(jié)和預(yù)訓(xùn)練的 T2V 擴(kuò)散模型，由該模型對(duì)視頻的真實(shí)性和 prompt alignment 進(jìn)行評(píng)分，并使用 SDS（得分蒸餾采樣）來計(jì)算場(chǎng)景參數(shù) θ 的更新方向。

上面的 pipeline 可以算作 DreamFusion 的擴(kuò)展，為場(chǎng)景模型添加了一個(gè)時(shí)間維度，并使用 T2V 模型而不是文本到圖像（T2I）模型進(jìn)行監(jiān)督。然而，要想實(shí)現(xiàn)高質(zhì)量的文本到 4D 的生成還需要更多的創(chuàng)新：

• 第一，需要使用新的、允許靈活場(chǎng)景運(yùn)動(dòng)建模的 4D 表征；
• 第二，需要使用多級(jí)靜態(tài)到動(dòng)態(tài)優(yōu)化方案來提高視頻質(zhì)量和提高模型收斂性，該方案利用幾個(gè) motion regularizer 來生成真實(shí)的運(yùn)動(dòng)；
• 第三，需要使用超分辨率微調(diào)（SRFT）提高模型的分辨率。

具體說明見下圖：

實(shí)驗(yàn)

在實(shí)驗(yàn)中，研究者評(píng)估了 MAV3D 從文本描述生成動(dòng)態(tài)場(chǎng)景的能力。首先，研究者評(píng)估了該方法在 Text-To-4D 任務(wù)上的有效性。據(jù)悉，MAV3D 是首個(gè)該任務(wù)的解決方案，因此研究開發(fā)了三種替代方法作為基線。其次，研究者評(píng)估了 T2V 和 Text-To-3D 子任務(wù)模型的簡(jiǎn)化版本，并將其與文獻(xiàn)中現(xiàn)有的基線進(jìn)行比較。第三，全面的消融研究證明了方法設(shè)計(jì)的合理性。第四，實(shí)驗(yàn)描述了將動(dòng)態(tài) NeRF 轉(zhuǎn)換為動(dòng)態(tài)網(wǎng)格的過程，最終將模型擴(kuò)展到 Image-to-4D 任務(wù)。

指標(biāo)

研究使用 CLIP R-Precision 來評(píng)估生成的視頻，它可以測(cè)量文本和生成場(chǎng)景之間的一致性。報(bào)告的指標(biāo)是從呈現(xiàn)的幀中檢索輸入 prompt 的準(zhǔn)確性。研究者使用 CLIP 的 ViT-B/32 變體，并在不同的視圖和時(shí)間步長(zhǎng)中提取幀，并且還通過詢問人工評(píng)分人員在兩個(gè)生成的視頻中的偏好來使用四個(gè)定性指標(biāo)，分別是：(i) 視頻質(zhì)量；(ii) 忠實(shí)于文本 prompt；(iii) 活動(dòng)量；(四) 運(yùn)動(dòng)的現(xiàn)實(shí)性。研究者評(píng)估了在文本 prompt 分割中使用的所有基線和消融。

圖 1 和圖 2 為示例。要想了解更詳細(xì)的可視化效果，請(qǐng)參見 make-a-video3d.github.io。

結(jié)果

表 1 顯示了與基線的比較（R - 精度和人類偏好）。人工測(cè)評(píng)以在特定環(huán)境下與該模型相比，贊成基線多數(shù)票的百分比形式呈現(xiàn)。

表 2 展示了消融實(shí)驗(yàn)的結(jié)果：

實(shí)時(shí)渲染

使用傳統(tǒng)圖形引擎的虛擬現(xiàn)實(shí)和游戲等應(yīng)用程序需要標(biāo)準(zhǔn)的格式，如紋理網(wǎng)格。HexPlane 模型可以輕易轉(zhuǎn)換為如下的動(dòng)畫網(wǎng)格。首先，使用 marching cube 算法從每個(gè)時(shí)刻 t 生成的不透明度場(chǎng)中提取一個(gè)簡(jiǎn)單網(wǎng)格，然后進(jìn)行網(wǎng)格抽?。榱颂岣咝剩┎⑶胰コ≡肼曔B接組件。XATLAS 算法用于將網(wǎng)格頂點(diǎn)映射到紋理圖集，紋理初始化使用以每個(gè)頂點(diǎn)為中心的小球體中平均的 HexPlane 顏色。最后，為了更好地匹配一些由 HexPlane 使用可微網(wǎng)格渲染的示例幀，紋理會(huì)被進(jìn)一步優(yōu)化。這將產(chǎn)生一個(gè)紋理網(wǎng)格集合，可以在任何現(xiàn)成的 3D 引擎中回放。

圖像到 4D

圖 6 和圖 10 展示了該方法能夠從給定的輸入圖像產(chǎn)生深度和運(yùn)動(dòng)，從而生成 4D 資產(chǎn)。

更多研究細(xì)節(jié)，可參考原論文。