本文的主要作者來自多倫多大學、Snap Inc.和UCLA的研究團隊。第一作者為多倫多大學博士生梁漢文和Snap Inc.的曹軍力，他們專注于視頻生成以及3D/4D場景生成與重建的研究，致力于創(chuàng)造更加真實、高質(zhì)量的3D和4D場景。團隊成員期待與更多志同道合的研究者們交流與合作。

在人類的認知中，從單張圖像中感知并想象三維世界是一項天然的能力。我們能直觀地估算距離、形狀，猜想被遮擋區(qū)域的幾何信息。然而，將這一復(fù)雜的認知過程賦予機器卻充滿挑戰(zhàn)。最近，來自多倫多大學、Snap Inc. 和 UCLA 的研究團隊推出了全新的模型 ——Wonderland，它能夠從單張圖像生成高質(zhì)量、廣范圍的 3D 場景，在單視圖 3D 場景生成領(lǐng)域取得了突破性進展。

• 論文地址: https://arxiv.org/abs/2412.12091
• 項目主頁：https://snap-research.github.io/wonderland/

技術(shù)突破：從單張圖像到三維世界的關(guān)鍵創(chuàng)新

傳統(tǒng)的 3D 重建技術(shù)往往依賴于多視角數(shù)據(jù)或逐個場景 (per-scene) 的優(yōu)化，且在處理背景和不可見區(qū)域時容易失真。為解決這些問題，Wonderland 創(chuàng)新性地結(jié)合視頻生成模型和大規(guī)模 3D 重建模型，實現(xiàn)了高效高質(zhì)量的大規(guī)模 3D 場景生成：

1. 向視頻擴散模型中嵌入 3D 意識：通過向視頻擴散模型中引入相機位姿控制，Wonderland 在視頻 latent 空間中嵌入了場景的多視角信息，并能保證 3D 一致性。視頻生成模型在相機運動軌跡的精準控制下，將單張圖像擴展為包含豐富空間關(guān)系的多視角視頻。
2. 雙分支相機控制機制：利用 ControlNet 和 LoRA 模塊，Wonderland 實現(xiàn)了在視頻生成過程中對于豐富的相機視角變化的精確控制，顯著提升了多視角生成的視頻質(zhì)量、幾何一致性和靜態(tài)特征。
3. 大規(guī)模 latent-based 3D 重建模型（LaLRM）：Wonderland 創(chuàng)新地引入了 3D 重建模型 LaLRM，利用視頻生成模型生成的 latent 直接重構(gòu) 3D 場景（feed-forward reconstruction）。重建模型的訓練采用了高效的逐步訓練策略，將視頻 latent 空間中的信息轉(zhuǎn)化為 3D 高斯點分布（3D Gaussian Splatting, 3DGS），顯著降低了內(nèi)存需求和重建時間成本。憑借這種設(shè)計，LaLRM 能夠有效地將生成和重建任務(wù)對齊，同時在圖像空間與三維空間之間建立了橋梁，實現(xiàn)了更加高效且一致的廣闊 3D 場景構(gòu)建。

效果展示 — 視頻生成

基于單張圖和 camera condition，實現(xiàn)視頻生成的精準視角控制：

Camera-guided 視頻生成模型可以精確地遵循軌跡的條件，生成 3D-geometry 一致的高質(zhì)量視頻，并具有很強的泛化性，可以遵循各種復(fù)雜的軌跡，并適用于各種風格的輸入圖片。

更多的例子：

不同的輸入圖片，同樣的三條相機軌跡，生成的視頻：

給定輸入圖片和多條相機軌跡，生成視頻可以深度地探索場景：

效果展示 —3D 場景生成

基于單張圖，利用 LaLRM, Wonderland 可以生成高質(zhì)量的、廣闊的 3D 場景：

(以下展示均為從建立的3DGS Rendering出的結(jié)果)

基于單張圖和多條相機軌跡，Wonderland 可以深度探索和生成高質(zhì)量的、廣闊的 3D 場景：

卓越性能：在視覺質(zhì)量和生成效率等多個維度上表現(xiàn)卓越

Wonderland 的主要特點在于其精確的視角控制、卓越的場景生成質(zhì)量、生成的高效性和廣泛的適用性。實驗結(jié)果顯示，該模型在多個數(shù)據(jù)集上的表現(xiàn)超越現(xiàn)有方法，包括視頻生成的視角控制、視頻生成的視覺質(zhì)量、3D 重建的幾何一致性和渲染的圖像質(zhì)量、以及端到端的生成速度均取得了優(yōu)異的表現(xiàn)：

1. 雙分支相機條件策略：通過引入雙分支相機條件控制策略，視頻擴散模型能夠生成 3D-geometry 一致的多視圖場景捕捉，且相較于現(xiàn)有方法達到了更精確的姿態(tài)控制。
2. Zero-shot 3D 場景生成：在單圖像輸入的前提下，Wonderland 可進行高效的 3D 場景前向重建，在多個基準數(shù)據(jù)集（例如 RealEstate10K、DL3DV 和 Tanks-and-Temples）上的 3D 場景重建質(zhì)量均優(yōu)于現(xiàn)有方法。
3. 廣覆蓋場景生成能力：與過去的 3D 前向重建通常受限于小視角范圍或者物體級別的重建不同，Wonderland 能夠高效生成廣范圍的復(fù)雜場景。其生成的 3D 場景不僅具備高度的幾何一致性，還具有很強的泛化性，能處理 out-of-domain 的場景。
4. 超高效率：在單張圖像輸入的問題設(shè)定下，利用單張 A100，Wonderland 僅需約 5 分鐘即可生成完整的 3D 場景。這一速度相比需要 16 分鐘的 Cat3D 提升了 3.2 倍，相較需要 3 小時的 ZeroNVS 更是提升了 36 倍。

應(yīng)用場景：視頻和 3D 場景內(nèi)容創(chuàng)作的新工具

Wonderland 的出現(xiàn)為視頻和 3D 場景的創(chuàng)作提供了一種嶄新的解決方案。在建筑設(shè)計、虛擬現(xiàn)實、影視特效以及游戲開發(fā)等領(lǐng)域，該技術(shù)展現(xiàn)了廣闊的應(yīng)用潛力。通過其精準的視頻位姿控制和具備廣視角、高清晰度的 3D 場景生成能力，Wonderland 能夠滿足復(fù)雜場景中對高質(zhì)量內(nèi)容的需求，為創(chuàng)作者帶來更多可能性。

未來展望

盡管模型表現(xiàn)優(yōu)異，Wonderland 研發(fā)團隊深知仍有許多值得提升和探索的方向。例如，進一步優(yōu)化對動態(tài)場景的適配能力、提升對真實場景細節(jié)的還原度等，都是未來努力的重點。希望通過不斷改進和完善，讓這一研發(fā)思路不僅推動單視圖 3D 場景生成技術(shù)的進步，也能為視頻生成與 3D 技術(shù)在實際應(yīng)用中的廣泛普及貢獻力量。