60秒直出3D內(nèi)容，紋理逼真！Meta最新3D Gen模型實(shí)現(xiàn)60倍速生成
在圖像生成和視頻生成這兩個(gè)賽道上，大模型僅用了兩年多的時(shí)間就卷得如火如荼。
即使是效果堪比Sora的Gen-3、Luma等模型發(fā)布，也很難引起曾經(jīng)的轟動(dòng)反應(yīng)。
你可能會(huì)疑惑，AI還能玩出新花樣嗎？
Meta放出的最新研究告訴你——能！
不管是圖像還是視頻，即使能做出3D效果，終究只是二維空間中的像素組成的。
Meta最近發(fā)布的3D Gen模型，則能實(shí)現(xiàn)1分鐘內(nèi)的端到端生成，從文本直出高質(zhì)量3D資產(chǎn)。
不僅紋理清晰、形態(tài)逼真自然，而且生成速度比其他替代方案加快了3-60倍。
目前，模型還沒有開放試用API以及相應(yīng)的代碼，官方消息中也沒有透露下一步的發(fā)布時(shí)間。
圖片
只能看到官方demo但沒法試用，已經(jīng)讓很多網(wǎng)友心癢難耐了。
「把這些可愛的小東西3D打印出來(lái)該有多好。」
圖片
但好在，Meta放出了技術(shù)報(bào)告，讓我們可以細(xì)致觀摩一下技術(shù)原理。
圖片
論文地址：https://ai.meta.com/research/publications/meta-3d-gen/
Meta 3D Gen
在電影特效、AR/VR、視頻游戲等領(lǐng)域中，創(chuàng)作3D內(nèi)容是最耗時(shí)，也是最具挑戰(zhàn)性的環(huán)節(jié)之一，需要很高的專業(yè)技能和陡峭的學(xué)習(xí)曲線。
這件事對(duì)人類困難，對(duì)AI來(lái)說(shuō)也同樣困難。
相比于圖像、視頻等形式，生產(chǎn)級(jí)的3D內(nèi)容有更多方面的嚴(yán)格要求，不僅包括生成速度、藝術(shù)質(zhì)量、分辨率，還包括3D網(wǎng)格的結(jié)構(gòu)和拓?fù)滟|(zhì)量、UV圖結(jié)構(gòu)以及紋理清晰度。
此外，3D生成還面臨數(shù)據(jù)方面的挑戰(zhàn)。
雖然有數(shù)十億張圖像和視頻可供學(xué)習(xí)，但其中適合訓(xùn)練的3D內(nèi)容量卻少了3～4個(gè)數(shù)量級(jí)。因此，模型只能學(xué)習(xí)這些非3D的視覺內(nèi)容，并從二維的觀察中推斷出三維信息。
3D Gen模型則克服了這些困難，在領(lǐng)域內(nèi)邁出了第一步。
模型最大的亮點(diǎn)在于支持基于物理的渲染（PBR，physically-based rendering），這對(duì)于在應(yīng)用場(chǎng)景中實(shí)現(xiàn)3D資產(chǎn)的重新照明非常必要。
此外，經(jīng)過(guò)專業(yè)藝術(shù)家的評(píng)估，3D Gen在生成同等質(zhì)量，甚至更優(yōu)內(nèi)容的同時(shí)，縮短了生成時(shí)間，提升了指令跟隨性能。
生成出3D對(duì)象后，模型還支持對(duì)其紋理進(jìn)行進(jìn)一步的編輯和定制，20s內(nèi)即可完成。
圖片
方法
這種更加高效的優(yōu)質(zhì)生成，離不開模型pipeline的精心設(shè)計(jì)。
3D Gen的生成主要分為兩步，由兩個(gè)組件分別完成——文本到3D對(duì)象生成器AssetGen和文本到紋理生成器TextureGen。
- 第一階段：3D資產(chǎn)生成。根據(jù)用戶提供的文本提示，使用3D AssetGen模型創(chuàng)建初始3D資產(chǎn)，即帶有紋理和PBR材質(zhì)圖的3D網(wǎng)格，大約花費(fèi)30s。
- 第二階段：紋理生成。根據(jù)第一階段生成的3D資產(chǎn)和用戶文本提示，使用3D TextureGen模型生成更高質(zhì)量的紋理和PBR圖，大約花費(fèi)20s。
其中，第二階段的TextureGen也可以單獨(dú)拿出來(lái)使用。如果有一個(gè)之前生成的，或者藝術(shù)家自己創(chuàng)作的無(wú)紋理3D網(wǎng)格，提供描述外觀的文本提示后，模型也能在20s左右的時(shí)間中為它從頭生成紋理。
圖片
AssetGen和TextureGen這兩個(gè)模型有效地結(jié)合了3D對(duì)象的三種高度互補(bǔ)的表示：視圖空間（物體圖像）、體積空間（3D形狀和外觀）以及UV空間（紋理）。
圖片
AssetGen項(xiàng)目地址：https://assetgen.github.io/
給定文本描述，AssetGen首先利用一個(gè)多視角、多通道版本的圖像生成器生成多張圖像，隨后生成物體的一致視圖。
據(jù)此，AssetGen中的重建網(wǎng)絡(luò)在體積空間中提取出物體的初始版本，并進(jìn)行網(wǎng)格提取，確立其3D形狀和初始紋理。
最后，TextureGen利用視圖空間和UV空間的生成結(jié)果，對(duì)紋理進(jìn)行重生成，在保持指令忠實(shí)度的同時(shí)提升紋理質(zhì)量。
圖片
論文地址：https://ai.meta.com/research/publications/meta-3d-texturegen-fast-and-consistent-texture-generation-for-3d-objects/
上述的每一個(gè)階段都是建立在Meta強(qiáng)大的文生圖模型家族Emu之上，并使用了內(nèi)部數(shù)據(jù)集進(jìn)行微調(diào)，主要包括渲染過(guò)的合成3D數(shù)據(jù)。
單獨(dú)使用TextureGen模型可以為同一個(gè)物體生成不同的紋理表面
不同于許多SOTA方法，AssetGen和TextureGen都是前饋生成器，因此能實(shí)現(xiàn)快速、高效的部署。
將3D生成任務(wù)以這種方式劃分為兩個(gè)階段，并在同一個(gè)模型中集成對(duì)象的多個(gè)表示空間，這種pipeline的組合是Meta重要的創(chuàng)新。
實(shí)驗(yàn)證明，不僅AssetGen和TextureGen兩個(gè)部件都能分別取得更好的效果，它們結(jié)合后形成的3D Gen也能以68%的勝率超過(guò)其他模型。
實(shí)驗(yàn)
針對(duì)文本到3D資產(chǎn)生成的任務(wù)，論文將3D Gen與其他公開可用的常用方法進(jìn)行了對(duì)比，并從用戶調(diào)研、定性實(shí)驗(yàn)兩個(gè)方面進(jìn)行了評(píng)估。
定性結(jié)果
從生產(chǎn)結(jié)果上直觀來(lái)看，3D Gen能夠應(yīng)對(duì)不同范疇、不同類別物體的生成任務(wù)，而且指令跟隨的忠實(shí)度甚至好過(guò)很多文生圖模型。
比如讓吉娃娃穿蓬蓬裙、讓臘腸犬穿熱狗裝這樣人類都很難想象的場(chǎng)景，3D Gen也按照要求生成了合理的結(jié)果。
圖片
生成結(jié)果的多樣性也非常驚艷。比如提示模型只生成Llama（羊駝），他就能給出下圖中的13種不同結(jié)果，風(fēng)格、形狀、紋理各異，可以說(shuō)想象力很豐富了。
圖片
圖6、7、8則對(duì)比了3D Gen和其他模型對(duì)同一文本提示的生成結(jié)果。
對(duì)于一些比較有挑戰(zhàn)性的提示，3D Gen的細(xì)節(jié)效果有時(shí)遜色于Meshy v3等模型，但這涉及到一個(gè)權(quán)衡問(wèn)題：要展現(xiàn)紋理中的高頻細(xì)節(jié)，代價(jià)就是有時(shí)會(huì)出現(xiàn)視覺失真。
圖片
下面這個(gè)多物體的復(fù)雜場(chǎng)景任務(wù)中，你覺得哪個(gè)模型的表現(xiàn)更好？
圖片
雖然成功的案例很多，但對(duì)目前的模型來(lái)說(shuō)，翻車依舊時(shí)常發(fā)生，而且每個(gè)模型都有自己獨(dú)特的翻法。
比如CSM Cube經(jīng)常在物體幾何上出問(wèn)題，前后視角不一致，或者干脆生成了「雙頭大猩猩」；Tripo 3D的光照效果會(huì)出現(xiàn)「一眼假」；Rodin Gen 1和Meshy 3.0有時(shí)缺少物體細(xì)節(jié)的渲染。
至于Meta的3D Gen，在放出來(lái)的案例中就出現(xiàn)了物體幾何結(jié)構(gòu)不完整、紋理接縫、指令不跟隨（最右側(cè)的海象沒有叼煙斗）等多方面的問(wèn)題。
圖片
雖然沒人能在Meta的報(bào)告中戰(zhàn)勝M(fèi)eta，但被拿來(lái)當(dāng)「靶子」的作者，還是站出來(lái)為自己工作辯護(hù)了一番。
圖片
圖片
用戶調(diào)研
對(duì)于模型的文本到3D生成，人類評(píng)審將從兩方面進(jìn)行評(píng)估：提示忠實(shí)度、視覺質(zhì)量。
按不同的背景，評(píng)審被分成了兩組：（1）普通用戶，沒有3D方面的專業(yè)知識(shí)，（2）專業(yè)的3D藝術(shù)家、設(shè)計(jì)師和游戲開發(fā)者。
評(píng)估采用了DreamFusion引入的404個(gè)經(jīng)過(guò)去重的文本提示，并根據(jù)內(nèi)容復(fù)雜性分為三類：物體（156個(gè)），角色（106個(gè)）和物體角色組合（141個(gè)）。
每個(gè)3D生成結(jié)果都會(huì)以360度全景視頻的方式呈現(xiàn)給評(píng)審者，不同模型進(jìn)行分別測(cè)試或者隨機(jī)的A/B測(cè)試。
表2展示了提示忠實(shí)度方面的的評(píng)估結(jié)果。在這一指標(biāo)上，3DGen在兩個(gè)階段的得分都優(yōu)于其他行業(yè)方法，緊隨其后的是T23D生成器。
圖片
如表3所示，A/B測(cè)試中還添加了對(duì)幾何視覺質(zhì)量以及紋理細(xì)節(jié)的評(píng)測(cè)。
作者發(fā)現(xiàn)，普通用戶更傾向于喜歡那些紋理更銳利、生動(dòng)、逼真且細(xì)節(jié)詳實(shí)的3D結(jié)果，但對(duì)較明顯的紋理和幾何偽影不是很關(guān)注。專業(yè)的3D藝術(shù)家則會(huì)更重視幾何與紋理的準(zhǔn)確性。
圖片
在圖3中，作者分析了視覺質(zhì)量、幾何、紋理細(xì)節(jié)和紋理偽影的表現(xiàn)率等指標(biāo)，如何隨著文本提示描述的場(chǎng)景復(fù)雜度發(fā)生變化。
圖表顯示，雖然基準(zhǔn)模型在簡(jiǎn)單提示下的表現(xiàn)與3D Gen相當(dāng)，甚至更優(yōu)，但隨著提示復(fù)雜度逐漸增加，3D Gen開始反超，這也與圖7描述的定型結(jié)果一致。
圖片
結(jié)論
作為一個(gè)統(tǒng)一的流程，3DGen整合了Meta的基礎(chǔ)生成模型，用于文本到3D生成，具備紋理編輯和材料生成能力。
通過(guò)結(jié)合AssetGen和TextureGen的優(yōu)勢(shì)，3DGen能夠在不到一分鐘的時(shí)間內(nèi)根據(jù)文本提示生成高質(zhì)量的3D對(duì)象。
在專業(yè)3D藝術(shù)家的評(píng)估中，3DGen的輸出在大多數(shù)情況下更受青睞，尤其是在復(fù)雜提示下，而且速度快3到60倍。
雖然Meta目前對(duì)AssetGen和TextureGen的整合比較直接，但它開創(chuàng)了一個(gè)非常有前景的研究方向，基于兩個(gè)方面：（1）在視圖空間和UV空間中的生成，（2）紋理和形狀生成的端到端迭代。
如同Sora的出現(xiàn)會(huì)深刻影響短視頻、電影、流媒體等眾多行業(yè)一樣，3D Gen也具有同樣巨大的潛力。
畢竟，小扎還是心心念念他的元宇宙。而AI驅(qū)動(dòng)的3D生成，對(duì)于在元宇宙中構(gòu)建無(wú)限大的虛擬世界也非常重要。
