基于單幅圖像進行三維重建是一項具有重要應用價值的任務，但實現(xiàn)起來也非常困難，需要模型對對自然世界具有廣泛的先驗知識。

之前有工作通過在2D擴散模型的引導下優(yōu)化神經輻射場來解決這個問題，但仍存在優(yōu)化時間過長、3D結果不一致以及幾何形狀不佳等問題。

最近，來自加州大學圣迭戈分校、加州大學洛杉磯分校、康奈爾大學、浙江大學、印度理工學院馬德拉斯分校以及Adobe的研究人員聯(lián)合提出一個新模型One-2-3-45，以任意物體的單張圖像作為輸入，只需45秒即可在一次前饋過程中生成一個完整的360度的3D紋理網(wǎng)格。

圖片

論文鏈接：https://arxiv.org/pdf/2306.16928.pdf

項目主頁：https://one-2-3-45.github.io/

在線Demo：https://huggingface.co/spaces/One-2-3-45/One-2-3-45

圖片

One-2-3-45主要包括三個組件：

1. 多視角合成：使用視圖條件的二維擴散模型Zero123，以兩階段的方式生成多視圖圖像，輸入包括單幅圖像和相對相機變換，參數(shù)為相對球面坐標；

2. 姿態(tài)估計：根據(jù)Zero123生成的4個鄰近視圖估計輸入圖像的仰角，再將指定的相對位置與輸入視圖的估計位置相結合，獲得多視圖圖像的位置；

3. 三維重建：將多視圖姿態(tài)圖像輸入基于SDF的通用神經曲面重建模塊，進行360°網(wǎng)格重建

由于無需使用開銷較大的優(yōu)化操作，該方法在重建3D形狀時相比其他方法耗時顯著縮短。

此外，該方法還可以生成更好的幾何形狀，產生3D一致性更好的結果，并更忠實于輸入圖像。

在實驗部分，研究人員對該方法在合成數(shù)據(jù)和全新圖像上都進行了實驗，證明了該方法在網(wǎng)格質量和運行時間上的優(yōu)勢。

該方法也可以通過集成與現(xiàn)成的文本到圖像的擴散模型，無縫地支持文本到3D的任務。

One-2-3-45

Zero123：以視圖為條件的2D擴散模型

通過在互聯(lián)網(wǎng)規(guī)模的數(shù)據(jù)上進行訓練，二維擴散模型可以學習到通用的視覺概念，并且控制條件也從文本擴展到其他模態(tài)，例如可視邊緣、用戶涂鴉、深度和法線圖等。

Zero123模型采用類似的思路，將條件設為視點（viewpoint）來控制圖像生成，具體來說，給定一個物體的RGB圖像和一個相對的相機變換，Zero123可以控制擴散模型在變換后的相機視角下合成一個新的圖像。

Zero123根據(jù)大規(guī)模三維數(shù)據(jù)集來合成一對圖像及其相對相機變換對穩(wěn)定擴散進行了微調。

在創(chuàng)建微調數(shù)據(jù)集的過程中，Zero123假設物體以坐標系的原點為中心，并使用球形攝像機，即攝像機放置在球面上并始終看著原點，相機位置參數(shù)包括極角、方位角和半徑，兩個點的差值即為相對攝像機變換參數(shù)。

目標是學習一個模型f，使得f在輸入「初始視角，相機變換參數(shù)」時與輸入「變換后視角」時感知相似。

實驗結果發(fā)現(xiàn)，這種微調方式可以使Stable Diffusion模型用于學習控制攝像機視點的通用機制，對微調數(shù)據(jù)集之外的物體進行推斷。

NeRF優(yōu)化能否將多視圖預測提升至三維？

給定一個物體的單張圖像，可以利用Zero123生成多視圖圖像，但能否使用傳統(tǒng)的基于NeRF或基于SDF的方法從這些預測中重建高質量的三維網(wǎng)格呢？

給定單幅圖像后，研究人員首先使用Zero123從球面均勻采樣相機姿態(tài)，生成32幅多視角圖像，然后將預測結果輸入基于NeRF的方法（TensoRF）和基于SDF的方法（NeuS），分別優(yōu)化密度場和SDF場。

圖片

不過這兩種方法都沒有取得令人滿意的結果，生成結果中包含大量的失真和浮點，主要是由于Zero123預測不一致導致的。

圖片

2階段源視圖選擇和真實預測混合訓練

SparseNeuS論文中只演示了正面視圖重構，但研究人員通過在訓練過程中以特定方式選擇源視圖并添加深度監(jiān)督，將其擴展到在一次前饋傳遞中重構360度網(wǎng)格。

凍結Zero123模型的參數(shù)后，在三維物體數(shù)據(jù)集上訓練。

按照Zero123對訓練形狀進行歸一化處理，并使用球形相機模型；對于每個形狀，首先渲染來自球面上均勻分布的n個攝像機姿態(tài)的n幅真實RGB和深度圖像；對于每個視圖，使用Zero123預測附近的四個視圖。

在訓練過程中，將所有4×n的預測結果和真實姿態(tài)輸入到重建模塊中，并隨機選擇n個真實RGB圖像中的一個視圖作為目標視圖，然后使用真實RGB值和深度值進行有監(jiān)督訓練，從而可以讓模型學會處理來自Zero123的不一致預測，并重建一致的360°網(wǎng)格。

相機位置估計

研究人員提出了一個仰角估計模塊來推斷輸入圖像的仰角。

首先使用Zero123預測輸入圖像的四個鄰近視圖，然后以從粗到細的方式列舉所有可能的仰角。

對于每個仰角候選角，計算四幅圖像對應的相機姿態(tài)，并計算這組相機姿態(tài)的重投影誤差，以衡量圖像與相機姿態(tài)之間的一致性。

重投影誤差最小的仰角被用于通過組合輸入視圖的姿態(tài)和相對姿態(tài)來生成所有4×n源視圖的相機姿態(tài)。

實驗結果

圖片

從定性實驗結果來看，在對比現(xiàn)有zero-shot圖像三維重建方法時，包括Point-E、Shap-E等在數(shù)百萬三維數(shù)據(jù)上訓練得到的模型，以及基于Stable Diffusion先驗的優(yōu)化方法，可以看到One-2-3-45模型在處理合成圖像和真實圖像時都非常有效。

圖片

研究人員還在Objaverse和GoogleScannedObjects（GSO）數(shù)據(jù)集上對這些方法進行了定量比較。

對于每個數(shù)據(jù)集，隨機選擇20個形狀，并為每個形狀渲染一張圖像進行評估。

為了使預測結果與真實網(wǎng)格對齊，線性搜索縮放因子和旋轉角度，對采樣點云應用迭代最鄰近點（ICP），并選擇離群值最多的點云。

遵循RealFusion測量了F-score（閾值為0.05）和CLIP相似度，以及在A100 GPU上的運行時間。

圖片

從實驗結果中可以看到，該方法在F-Score方面優(yōu)于所有基線方法；在CLIP相似度方面，除了Shap-E之外，超越了所有方法。

還可以發(fā)現(xiàn)，CLIP相似度對顏色分布非常敏感，而對局部幾何變化（如凳子的腿數(shù)、杯子的把手數(shù)）的區(qū)分度較低。

在運行時間方面，與基于優(yōu)化的方法相比，該方法具有明顯優(yōu)勢，其性能與Point-E和Shap-E等三維原生擴散模型相當，即三維重建模塊只需要大約5秒鐘就可以重建一個三維網(wǎng)格，剩余時間主要用于Zero123預測，在A100 GPU上每幅圖像大約需要1秒鐘。