一行字實現(xiàn)3D換臉！UC伯克利提出「Chat-NeRF」，說句話完成大片級渲染
由于神經(jīng)3D重建技術(shù)的發(fā)展，捕獲真實世界3D場景的特征表示從未如此簡單。
然而，在此之上的3D場景編輯卻一直未能有一個簡單有效的方案。
最近，來自UC伯克利的研究人員基于此前的工作InstructPix2Pix，提出了一種使用文本指令編輯NeRF場景的方法——Instruct-NeRF2NeRF。
論文地址：https://arxiv.org/abs/2303.12789
利用Instruct-NeRF2NeRF，我們只需一句話，就能編輯大規(guī)模的現(xiàn)實世界場景，并且比以前的工作更真實、更有針對性。
比如，想要他有胡子，臉上就會出現(xiàn)一簇胡子！
或者直接換頭，秒變成愛因斯坦。
此外，由于模型能不斷地使用新的編輯過的圖像更新數(shù)據(jù)集，所以場景的重建效果也會逐步得到改善。
NeRF + InstructPix2Pix = Instruct-NeRF2NeRF
具體來說，人類需要給定輸入圖像，以及告訴模型要做什么的書面指令，隨后模型就會遵循這些指令來編輯圖像。
實現(xiàn)步驟如下：
- 在訓(xùn)練視角下從場景中渲染出一張圖像。
- 使用InstructPix2Pix模型根據(jù)全局文本指令對該圖像進行編輯。
- 用編輯后的圖像替換訓(xùn)練數(shù)據(jù)集中的原始圖像。
- NeRF模型按照往常繼續(xù)進行訓(xùn)練。
實現(xiàn)方法
相比于傳統(tǒng)的三維編輯，NeRF2NeRF是一種新的三維場景編輯方法，其最大的亮點在于采用了「迭代數(shù)據(jù)集更新」技術(shù)。
雖然是在3D場景上進行編輯，但論文中使用2D而不是3D擴散模型來提取形式和外觀先驗，因為用于訓(xùn)練3D生成模型的數(shù)據(jù)非常有限。
這個2D擴散模型，就是該研究團隊不久前開發(fā)的InstructPix2Pix——一款基于指令文本的2D圖像編輯模型，輸入圖像和文本指令，它就能輸出編輯后的圖像。
然而，這種2D模型會導(dǎo)致場景不同角度的變化不均勻，因此，「迭代數(shù)據(jù)集更新」應(yīng)運而生，該技術(shù)交替修改NeRF的「輸入圖片數(shù)據(jù)集」，并更新基礎(chǔ)3D表征。
這意味著文本引導(dǎo)擴散模型（InstructPix2Pix）將根據(jù)指令生成新的圖像變化，并將這些新圖像用作NeRF模型訓(xùn)練的輸入。因此，重建的三維場景將基于新的文本引導(dǎo)編輯。
在初始迭代中，InstructPix2Pix通常不能在不同視角下執(zhí)行一致的編輯，然而，在NeRF重新渲染和更新的過程中，它們將會收斂于一個全局一致的場景。
總結(jié)而言，NeRF2NeRF方法通過迭代地更新圖像內(nèi)容，并將這些更新后的內(nèi)容整合到三維場景中，從而提高了3D場景的編輯效率，還保持了場景的連貫性和真實感。
可以說，UC伯克利研究團隊的此項工作是此前InstructPix2Pix的延伸版，通過將NeRF與InstructPix2Pix結(jié)合，再配合「迭代數(shù)據(jù)集更新」，一鍵編輯照樣玩轉(zhuǎn)3D場景！
仍有局限，但瑕不掩瑜
不過，由于Instruct-NeRF2NeRF是基于此前的InstructPix2Pix，因此繼承了后者的諸多局限，例如無法進行大規(guī)?？臻g操作。
此外，與DreamFusion一樣，Instruct-NeRF2NeRF一次只能在一個視圖上使用擴散模型，所以也可能會遇到類似的偽影問題。
下圖展示了兩種類型的失敗案例：
（1）Pix2Pix無法在2D中執(zhí)行編輯，因此NeRF2NeRF在3D中也失敗了；
（2）Pix2Pix在2D中可以完成編輯，但在3D中存在很大的不一致性，因此NeRF2NeRF也沒能成功。
再比如下面這只「熊貓」，不僅看起來非常兇悍（作為原型的雕像就很兇），而且毛色多少也有些詭異，眼睛在畫面移動時也有明顯的「穿?！?。
自從ChatGPT，Diffusion, NeRFs被拉進聚光燈之下，這篇文章可謂充分發(fā)揮了三者的優(yōu)勢，從「AI一句話作圖」進階到了「AI一句話編輯3D場景」。
盡管方法存在一些局限性，但仍瑕不掩瑜，為三維特征編輯給出了一個簡單可行的方案，有望成為NeRF發(fā)展的里程碑之作。
一句話編輯3D場景
最后，再看一波作者放出的效果。
不難看出，這款一鍵PS的3D場景編輯神器，不論是指令理解能力，還是圖像真實程度，都比較符合預(yù)期，未來也許會成為學(xué)術(shù)界和網(wǎng)友們把玩的「新寵」，繼ChatGPT后打造出一個Chat-NeRFs。
即便是隨意改變圖像的環(huán)境背景、四季特點、天氣，給出的新圖像也完全符合現(xiàn)實邏輯。
原圖：
秋天：
雪天：
沙漠：
暴風雨：
