提速63%！中科院生成式渲染器突破效率瓶頸，一致性提升20%，破解具身數(shù)據(jù)荒難題

西風(fēng) 2025-07-20 14:56:12 來源：量子位

TC-Light團隊 投稿

量子位 | 公眾號 QbitAI

具身這么火，面向具身場景的生成式渲染器也來了。

中科院自動化所張兆翔教授團隊研發(fā)的TC-Light，能夠?qū)呱碛?xùn)練任務(wù)中復(fù)雜和劇烈運動的長視頻序列進(jìn)行逼真的光照與紋理重渲染，同時具備良好的時序一致性和低計算成本開銷。

它能夠幫助減少Sim2Real Gap以及實現(xiàn)Real2Real的數(shù)據(jù)增強，幫助獲得具身智能訓(xùn)練所需的海量高質(zhì)量數(shù)據(jù)。

論文Demo代碼均已公開。

研究背景

光線及其與周圍環(huán)境的交互共同塑造了人類以及具身智能體感知數(shù)字世界和現(xiàn)實世界的基本方式。

然而，在現(xiàn)實環(huán)境中采集不同光照與場景條件下的數(shù)據(jù)代價高昂，而仿真環(huán)境中盡管可以獲得近乎無限的數(shù)據(jù)，但受限于算力資源，通常需要對光線的多次折射衍射以及紋理精度進(jìn)行近似和簡化，使得視覺真實性無可避免地受到損失，在視覺層面產(chǎn)生Sim2Real Gap。

而如果能夠借助生成式模型根據(jù)所需的光照條件對現(xiàn)實或仿真環(huán)境下采集到的視頻數(shù)據(jù)進(jìn)行重渲染，不僅夠幫助獲得增加已有真實數(shù)據(jù)的多樣性，并且能夠彌合計算誤差帶來的CG感，使得從仿真器中能夠得到視覺上高度真實的傳感器數(shù)據(jù)，包括RL-CycleGAN在內(nèi)的許多工作已經(jīng)證實，這一策略能夠幫助減少將具身模型遷移到真實環(huán)境中所需微調(diào)的數(shù)據(jù)量和訓(xùn)練量。

盡管這一任務(wù)意義重大，但實際解決過程面臨許多挑戰(zhàn)。

用于訓(xùn)練的視頻數(shù)據(jù)往往伴隨復(fù)雜的運動以及前景物體的頻繁進(jìn)出，同時視頻序列有著較長的長度以及較高的分辨率，這使得已有的算法要么受制于訓(xùn)練所用視頻數(shù)據(jù)的分布（如COSMOS-Transfer1，Relighting4D），要么難以承受巨大的計算開銷（如Light-A-Video, RelightVid），要么難以保證良好的時序一致性（如VidToMe, RAVE等）。

△圖1 TC-Light效果展示

為了推動這一問題的解決，團隊提出了TC-Light算法，在提升視頻生成模型計算效率的同時，通過one-shot兩階段快速優(yōu)化提升輸出結(jié)果的一致性，本算法在保持重渲染真實性的同時，時序一致性和計算效率方面實現(xiàn)相比于已有算法的顯著提高。下面對算法細(xì)節(jié)進(jìn)行詳細(xì)介紹。

TC-Light算法介紹

零樣本時序模型擴展

TC-Light首先使用視頻擴散模型根據(jù)文本指令對輸入視頻進(jìn)行初步的重渲染?；陬A(yù)訓(xùn)練好的SOTA圖像模型IC-Light以及VidToMe架構(gòu)進(jìn)行拓展，同時引入Decayed Multi-Axis Denoising模塊增強時序一致性。

具體而言，VidToMe在模型的自注意力模塊前后分別對來自不同幀的相似token進(jìn)行聚合和拆分，從而增強時序一致性并減少計算開銷；

如圖2中(a)所示，類似Slicedit，Decayed Multi-Axis Denoising模塊將輸入視頻分別視作圖像(x-y平面)的序列和時空切片（y-t平面）的序列，分別用輸入的文本指令和空文本指令進(jìn)行去噪，并對兩組噪聲進(jìn)行整合，從而使用原視頻的運動信息指導(dǎo)去噪過程。

不同于Slicedit，團隊在AIN模塊對兩組噪聲的統(tǒng)計特性進(jìn)行了對齊，同時時空切片部分的噪聲權(quán)重隨去噪步數(shù)指數(shù)下降，從而避免原視頻光照和紋理分布對重渲染結(jié)果的過度影響。

△圖2 TC-Light管線示意圖

兩階段時序一致性優(yōu)化策略

盡管通過引入前一小節(jié)的模型，視頻生成式重渲染結(jié)果的一致性得到了有效改善，但輸出結(jié)果仍然存在紋理和光照的跳變。

因此進(jìn)一步引入兩階段的時序一致性優(yōu)化策略，這同時也是TC-Light的核心模塊。

在第一階段，如圖2中(b)所示，為每一幀引入Appearance Embedding以調(diào)整曝光度，并根據(jù)MemFlow從輸入視頻估計的光流或仿真器給出的光流優(yōu)化幀間一致性，從而對齊全局光照。這一階段的優(yōu)化過程非常快速，A100上300幀960×540分辨率只需要數(shù)十秒的時間即可完成。

在第二階段，進(jìn)一步對光照和紋理細(xì)節(jié)進(jìn)行優(yōu)化。如圖2中(c)所示，這里首先根據(jù)光流以及可能提供的每個像素在世界系下的位置信息，快速將視頻壓縮為碼本（也即圖中的Unique Video Tensor），即：

其中κ(x,y,t)為視頻幀給定像素依據(jù)光流及空間信息得到的碼本索引，這一基于時空先驗的壓縮方式在原視頻上近乎可以保持無損。不同于Vector Quantization僅考慮顏色相似性的做法，這一壓縮方案保證了被聚合的像素之間的時空關(guān)聯(lián)性，保證對應(yīng)同一個碼本值的不同像素具有相似的時空一致性優(yōu)化目標(biāo)和梯度。

隨后，以碼本作為優(yōu)化目標(biāo)，以解碼后的幀間一致性作為主要優(yōu)化目標(biāo)，并且以TV Loss抑制噪聲，同時以SSIM Loss使得與一階段優(yōu)化結(jié)果保持一定程度的結(jié)構(gòu)相似性。

實驗結(jié)果表明，這一階段的優(yōu)化能顯著改善時序一致性，同時非?？焖伲珹100上300幀960×540分辨率通常只花費2分鐘左右，且由于以壓縮后的碼本作為優(yōu)化目標(biāo)，不僅避免了以往工作以NeRF或3DGS為載體帶來的10-30分鐘的訓(xùn)練代價，顯存開銷上也能得到優(yōu)化。

實驗與分析

△表1 與主流算法的定量性能比較

其中VidToMe和Slicedit的基模型都換成了IC-Light以進(jìn)行公平比較。Ours-light指不用Multi-Axis Denoising模塊的結(jié)果，相當(dāng)于對VidToMe直接應(yīng)用兩階段優(yōu)化算法。

為了驗證算法在長動態(tài)序列的重渲染表現(xiàn)，從CARLA、Waymo、AgiBot-DigitalWorld、DROID等數(shù)據(jù)集收集了58個序列進(jìn)行綜合評測，結(jié)果如表1所示。可以看到該算法克服了已有算法在時序一致性和計算開銷等方面的問題，取得了最佳的綜合性能表現(xiàn)。

圖3的可視化對比也表明，新算法在保持內(nèi)容細(xì)節(jié)的同時得到了高質(zhì)量的重渲染性能表現(xiàn)。

△圖3 一致性與生成質(zhì)量可視化對比。

TC-Light避免了(a)中像Slicedit和COSMOS-Transfer1那樣不自然的重渲染結(jié)果和(b)中展現(xiàn)出的模糊失真，或(c)中像IC-Light和VidToMe那樣的時序不一致性。量化以及video比較可以從project page找到。

最后總結(jié)一下，TC-Light作為一種新的生成式渲染器，克服了具身環(huán)境下視覺傳感器數(shù)據(jù)重渲染面對的時序一致性和長序列計算開銷兩大挑戰(zhàn)，在性能表現(xiàn)上優(yōu)于現(xiàn)有技術(shù)，不僅為Sim2Real和Real2Real數(shù)據(jù)擴展帶來了新的思路，也為視頻編輯領(lǐng)域帶來了新的模型范式。TC-Light的論文和代碼均已開源，希望能夠相關(guān)領(lǐng)域帶來不同的思考和啟發(fā)。

項目主頁: https://dekuliutesla.github.io/tclight/
論文鏈接: https://arxiv.org/abs/2506.18904
代碼鏈接: https://github.com/Linketic/TC-Light