隨便給張圖就能從更多視角查看全景了？！
話不多說，先看一波效果，單視角輸入 be like：
難度升級，接下來換成雙視角，看起來銜接也非常絲滑。
以上來自 ViewCrafter，由北大、港中文、騰訊等機構(gòu)的研究人員提出，可以從單張或稀疏輸入圖像生成精確相機可控的新視角視頻。
還支持場景級文生 3D、圖生 3D、以及稀疏視角重建等應(yīng)用。
目前論文和代碼均已開源，并提供了在線 Huggingface demo 供用戶使用。
ViewCrafter：一種新視角生成方法傳統(tǒng)的新視角生成方法，如 NeRF 和 3D-GS 等技術(shù)，存在一個痛點：
依賴于密集的多視角訓(xùn)練數(shù)據(jù)
這限制了它們在僅有稀疏（輸入圖像數(shù)量有限，不能提供完整視角或詳盡場景信息）甚至單張輸入視角的情況下的應(yīng)用。
同時，傳統(tǒng)方法對訓(xùn)練資源的需求較高，且不具備泛化能力，這限制了它們在訓(xùn)練資源受限場景下的應(yīng)用。
因此，ViewCrafter 最終想實現(xiàn)：
從稀疏視角圖像甚至單張輸入圖像中生成任意規(guī)模場景的新視角。
這需要模型對 3D 物理世界有全面的理解。
接下來一起康康具體咋實現(xiàn)的。
概括而言，ViewCrafter 是基于點云先驗的可控視角視頻生成。
首先，快速多視圖 / 單視圖 stereo 技術(shù)的發(fā)展，使得從單張或稀疏圖像中快速重建點云表征成為可能。
點云表征能夠提供 3D 場景的粗略信息，支持精確的相機位置控制以實現(xiàn)自由視角渲染。
然而，由于點云的表示能力較弱，加之極其稀疏的輸入圖像只能提供有限的 3D 線索，重建出的點云存在大面積的遮擋和缺失區(qū)域，并可能面臨幾何形變和點云噪聲。
這些問題限制了其在新視角合成上的應(yīng)用。
與此同時，在大規(guī)模視頻數(shù)據(jù)集上訓(xùn)練的視頻擴散模型能夠深入理解 3D 物理世界，支持從單張圖像或文本提示中生成符合物理規(guī)律和現(xiàn)實世界規(guī)則的視頻內(nèi)容。
然而，現(xiàn)有的視頻擴散模型缺乏顯式的場景 3D 信息，因此在視頻生成過程中難以實現(xiàn)精確的相機視角控制。
針對這些優(yōu)缺點，團隊提出將視頻擴散模型的生成能力與點云表征提供的顯式 3D 先驗相結(jié)合，以實現(xiàn)相機精準(zhǔn)可控的任意場景高保真度新視角視頻生成。
具體而言，給定單張或稀疏視角輸入圖像，團隊首先使用快速多視圖 stereo 方法構(gòu)建其點云表征，以實現(xiàn)精準(zhǔn)地移動相機進行自由視角渲染。
隨后，為了解決點云渲染結(jié)果中存在的大面積缺失區(qū)域、幾何失真和點云偽影，團隊訓(xùn)練了一個以點云渲染結(jié)果為控制信號的視頻擴散模型作為增強渲染器。
這一渲染器能在粗糙的點云渲染結(jié)果的基礎(chǔ)上進一步生成具有高保真度和 3D 一致性的新視角。
通過結(jié)合點云提供的顯式 3D 信息以及視頻擴散模型的強大生成能力，新方法能夠在視頻生成過程中實現(xiàn) 6 自由度的精準(zhǔn)相機位姿控制，并生成高保真度、一致性強的新視角視頻。
此外，現(xiàn)有的視頻擴散模型難以生成長視頻，因為長視頻推理會造成巨大的計算開銷。
為了解決這一問題，研究采用了一種迭代式的新視角生成策略，并提出了一種內(nèi)容自適應(yīng)的相機軌跡規(guī)劃算法，以逐步擴展新視角覆蓋的區(qū)域和重建的點云。
具體來說，從初始輸入圖像構(gòu)建的點云開始，團隊首先利用相機軌跡規(guī)劃算法，從當(dāng)前點云預(yù)測一段相機軌跡，以有效揭示遮擋和確實區(qū)域。
接著，團隊根據(jù)預(yù)測的軌跡渲染點云，并利用 ViewCrafter 根據(jù)渲染的點云生成高質(zhì)量的新視角。
隨后利用生成的新視角更新點云，以擴展全局點云表征。
通過迭代執(zhí)行這些步驟，最終可以獲得覆蓋大視場范圍和擴展點云的高保真新視圖，并支持高斯重建等下游任務(wù)。
具體應(yīng)用上，基于 ViewCrafter 和提出的迭代式新視角生成算法，可以從單張圖像 / 稀疏視角甚至一段文字描述中進行 3D 高斯重建，以支持實時渲染和沉浸式 3D 體驗。
團隊從多個角度對比了新方法。
從新視角生成來看，團隊在 Tanks-and-Temples，CO3D，RealEstate10K 這三個真實世界數(shù)據(jù)集上與 SOTA 方法進行了定量和定性比較。
實驗結(jié)果證明，ViewCrafter 在相機位姿控制的精準(zhǔn)程度，以及生成新視角的視覺質(zhì)量上都優(yōu)于對比方法。
在場景重建方面，團隊在 Tanks-and-Temples 數(shù)據(jù)集上與稀疏視角重建領(lǐng)域的 SOTA 方法進行了定量和定性比較。
結(jié)果證明，ViewCrafter 在 3D 高斯重建渲染出的新視角的視覺質(zhì)量上也超過了對比方法。
文生 3D 結(jié)果如下。左邊顯示了文本提示以及文生圖效果，后面是最終的 3D 效果。
當(dāng)然，團隊也進行了消融實驗。比如利用點云先驗作為視頻擴散模型控制信號的有效性。
具體而言，一些同期工作采用普呂克坐標(biāo)作為視頻生成模型的控制信號，以實現(xiàn)相機可控的新視角生成。
作為對比，為了驗證點云控制信號的優(yōu)越性，團隊訓(xùn)練了一個以普呂克坐標(biāo)為控制信號的新視角生成模型，并進行控制變量實驗，保證除了控制信號外其他模型結(jié)構(gòu)與 ViewCrafter 一致。
兩個模型在新視角生成任務(wù)上對比結(jié)果如下所示：
實驗結(jié)果證明，不管是在新視角生成質(zhì)量還是在相機控制的精準(zhǔn)程度上，團隊使用的基于點云的控制信號都要優(yōu)于基于普呂克坐標(biāo)的控制信號。
另外，團隊驗證了模型對粗糙點云的魯棒性（Robust，健壯性）。
如圖所示，對于作為控制信號的點云具有嚴(yán)重幾何形變的情況，模型依然能夠有效地進行幾何糾錯和空洞修補。這證明了新方法對點云控制信號的魯棒性。
概括下來，團隊驗證了 ViewCrafter 對于靜態(tài)場景的強大新視角生成能力。
接下來，團隊計劃探索和單目視頻深度估計方法結(jié)合，實現(xiàn)單目動態(tài)視頻的新視角生成和 4D 重建。更多細節(jié)歡迎查閱原論文。
GitHub：https://github.com/Drexubery/ViewCrafter
項目主頁：https://drexubery.github.io/ViewCrafter/
論文：https://arxiv.org/abs/2409.02048
Huggingface Demo：https://huggingface.co/spaces/Doubiiu/ViewCrafter
本文來自微信公眾號：量子位（ID：QbitAI），作者：ViewCrafter 團隊，原標(biāo)題《單圖就能解鎖全景視角！北大 / 港中文 / 騰訊等推出 ViewCrafter | 已開源》
本文鏈接：http://www.tebozhan.com/showinfo-45-7371-0.html單圖就能解鎖全景視角，北大 港中文 騰訊等推出 ViewCrafter 開源項目
聲明：本網(wǎng)頁內(nèi)容旨在傳播知識，若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
上一篇： 谷歌搜索將整合 C2PA 2.1 標(biāo)準(zhǔn)，標(biāo)注 AI 生成 編輯圖片
下一篇： 聯(lián)想集團將在印度生產(chǎn) AI 服務(wù)器，并設(shè)立 AI 研發(fā)實驗室
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請聯(lián)系：2376512515@qq.com 津ICP備18001702號
津公網(wǎng)安備 12010102000574號
