清華、斯坦福、加大開源，圖片生成高精準3D模型

　　隨著ChatGPT的出現以及廣泛應用，通過文本生成文本、視頻、音頻等內容，成為實現技術民主化的關鍵手段。

　　在3D模型領域通過文本生成并不成熟，多數方法是通過圖片。而該方法存在生成時間長、缺乏細節(jié)、難以匹配圖像等缺點。

　　加州大學、清華大學、斯坦福大學共同開發(fā)了全新模型“One-2-3-45++”并將其開源。該模型僅通過圖片，就能在1分鐘內將一張RGB圖像轉換為高精準3D模型，這對于游戲開發(fā)、3D建模等領域，可以節(jié)省大量開發(fā)時間。

　　研究人員在包含1030個3D對象的GSO數據集上與多個基準方法進行了比較。測試數據顯示，One-2-3-45++在幾何相似度、CLIP相似度指標上均優(yōu)于基準方法。

　　在包含50多名真實用戶的評估數據顯示，87.6%表示One-2-3-45++生成的結果，優(yōu)于其他方法，質量更高、更符合輸入圖像。

　　開源地址:https://github.com/SUDO-AI-3D/One2345plus

　　論文地址:https://arxiv.org/abs/2311.07885

　　在線demo:https://www.sudo.ai/3dgen

　　One-2-3-45++的核心技術原理主要包括三大塊:一致的多視角圖像生成、基于多視角的3D重建以及紋理優(yōu)化。

　　一致的多視角圖像生成

　　這一模塊的作用是從單個輸入圖像中生成多個視角一致的圖像。One-2-3-45++一共可生成6個視角的圖像，布局是一個3x2的矩形網格，分別對應不同的相機位置。

　　為了避免生成的3D形狀存在方向歧義，這6個相機位姿使用絕對高度角以及相對方位角來定義，同時使用了預訓練文生圖模型Stable Diffusion作為生成器。

　　此外，使用了Objaverse數據集中的3D形狀進行微調。對每個3D形狀，生成3個訓練樣本，分別對應不同的輸入圖像視角。同時使用統(tǒng)一的HDR環(huán)境光進行渲染，以提升細節(jié)、光影效果。

　　基于多視角的3D重建

　　上一個模塊我們已經有了6個對象的多視角圖片，這個模塊就是要把二維的圖片轉換成3D模型。

　　具體做法是先用6張圖片生成一個低分辨率的三維體積元素，近似表示整體形狀。然后在體積元素里面生成更高分辨率的“體積元素”，捕捉表面細節(jié)。

　　體積元素就是用小立方體組成的三維矩陣。這里有兩種體積元素，一種SDF體積元素，記錄了一個位置到物體表面的距離;另一種是顏色體積元素，記錄一個位置到物體表面最近點的顏色。

　　同時這6張圖片是生成體積元素的條件，先從圖片里提取二維特征，然后反投影到三維空間構建一個三維特征體，這個體包含了多視角的先驗信息，可以指導三維模型體積元素的生成。

　　紋理優(yōu)化

　　經過前面兩個步驟生成的3D模型，在顏色、質量、紋理方面還比較粗糙，所以需要進行優(yōu)化達到最終效果。同樣可以利用前面6個視角的圖像，來增強最終網格模型的紋理質量。

　　方法是固定住網格的三維結構不變，僅優(yōu)化表示顏色的網絡。每次迭代中，用當前的顏色網絡渲染網格，生成二維圖片。然后與之前生成的多視角圖片計算損失，更新顏色網絡。

　　這樣通過不斷地優(yōu)化，網格表面的顏色信息會逐漸跟多視角圖片越來越接近，從而實現紋理的提升。