證件照轉(zhuǎn)數(shù)字人只需幾秒鐘，微軟實現(xiàn)首個3D擴散模型高質(zhì)量生成效果，換裝改形象一句話搞定 | CVPR 2023

明敏 2023-03-18 13:13:08 來源：量子位

發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

一張2D證件照，幾秒鐘就能設計出3D游戲化身！

這是擴散模型在3D領域的最新成果。例如，只需一張法國雕塑家的舊照，就能分分鐘把他“變”進游戲中：

甚至只需要一句話就能修改裝扮和形象。告訴AI生成“穿著紅色毛衣戴著眼鏡的造型”：

不喜歡大背頭？那就換成“扎著辮子的造型”：

再試試換個發(fā)色？這是“棕色頭發(fā)的時尚潮人造型”，連胡子顏色都搞定了：

（AI眼中的“時尚潮人”，確實有點潮過頭了）

上面這個最新的3D生成擴散模型RODIN（Roll-out Diffusion Network），來自微軟亞洲研究院。

RODIN也是首個利用生成擴散模型在3D訓練數(shù)據(jù)上自動生成3D數(shù)字化身（Avatar）的模型，論文目前已被CVPR 2023接收。

一起來看看。

直接用3D數(shù)據(jù)訓練擴散模型

此前2D生成3D圖像模型，通常用2D數(shù)據(jù)訓練生成對抗網(wǎng)絡（GAN）或變分自編碼器（VAE）得到，但結果往往不盡人意。

研究人員分析，造成這種現(xiàn)象的原因在于這些方法存在一個基礎的欠定（ill posed）問題。即由于單視角圖片存在幾何二義性，僅僅通過大量的2D數(shù)據(jù)，很難學到高質(zhì)量3D化身的合理分布，導致生成效果不好。

因此，他們這次嘗試直接用3D數(shù)據(jù)來訓練擴散模型，主要解決了三個難題：

• 首先，如何用擴散模型生成3D模型多視角圖。此前擴散模型在3D數(shù)據(jù)上沒有可參考實踐方法和可遵循前例。
• 其次，高質(zhì)量和大規(guī)模3D圖像數(shù)據(jù)集很難獲取，且存在隱私版權風險，但網(wǎng)絡公開3D圖像無法保證多視圖一致性。
• 最后， 2D擴散模型直接拓展成3D生成，所需的內(nèi)存、存儲與計算開銷極大。

為了解決這三個難題，研究人員提出了“AI雕塑家”RODIN擴散模型，超越了現(xiàn)有模型的SOTA水平。

RODIN模型采用神經(jīng)輻射場（NeRF）方法，借鑒英偉達的EG3D工作，將3D空間緊湊地表達為空間三個互相垂直的特征平面（Triplane），并將這些圖展開至單個2D特征平面中，再執(zhí)行3D感知擴散。

具體而言，就是將3D空間在橫、縱、垂三個正交平面視圖上以二維特征展開，這樣不僅可以讓RODIN模型使用高效的2D架構進行3D感知擴散，而且將3D圖像降維成2D圖像也大幅降低了計算復雜度和計算成本。

上圖左邊，用三平面（triplane）表達3D空間，此時底部特征平面的特征點對應于另外兩個特征平面的兩條線；上圖右邊，則引入3D感知卷積處理展開的2D特征平面，同時考慮到三個平面的三維固有對應關系。

具體而言，實現(xiàn)3D圖像的生成需要三個關鍵要素：

其一，3D感知卷積，確保降維后的三個平面的內(nèi)在關聯(lián)。

傳統(tǒng)2D擴散中使用的2D卷積神經(jīng)網(wǎng)絡（CNN），并不能很好地處理Triplane特征圖。

3D感知卷積并不是簡單生成三個2D特征平面，而是在處理這樣的3D表達時，考慮了其固有的三維特性，即三個視圖平面中其中一個視圖的2D特征本質(zhì)上是3D空間中一條直線的投影，因此與其他兩個平面中對應的直線投影特征存在關聯(lián)性。

為了實現(xiàn)跨平面通信，研究員們在卷積中考慮了這樣的3D相關性，因此高效地用2D的方式合成3D細節(jié)。

其二，隱空間協(xié)奏三平面3D表達生成。

研究員們通過隱向量來協(xié)調(diào)特征生成，使其在整個三維空間中具有全局一致性，從而獲得更高質(zhì)量的化身并實現(xiàn)語義編輯。

同時，還通過使用訓練數(shù)據(jù)集中的圖像訓練額外的圖像編碼器，該編碼器可提取語義隱向量作為擴散模型的條件輸入。

這樣，整體的生成網(wǎng)絡可視為自動編碼器，用擴散模型作為解碼隱空間向量。對于語義可編輯性，研究員們采用了一個凍結的CLIP圖像編碼器，與文本提示共享隱空間。

其三，層級式合成，生成高保真立體細節(jié)。

研究員們利用擴散模型，先生成了一個低分辨率的三視圖平面（64×64），然后再通過擴散上采樣生成高分辨率的三平面（256×256）。

這樣，基礎擴散模型集中于整體3D結構生成，而后續(xù)上采樣模型專注于細節(jié)生成。

基于Blender生成大量隨機數(shù)據(jù)

在訓練數(shù)據(jù)集上，研究員們借助開源的三維渲染軟件Blender，通過隨機組合畫師手動創(chuàng)建的虛擬3D人物圖像，再加上從大量頭發(fā)、衣服、表情和配飾中隨機采樣，進而創(chuàng)建了10萬個合成個體，同時為每個個體渲染出了300個分辨率為256*256的多視圖圖像。

在文本到3D頭像的生成上，研究員們采用了LAION-400M數(shù)據(jù)集的人像子集，訓練從輸入模態(tài)到3D擴散模型隱空間的映射，最終讓RODIN模型只使用一張2D圖像或一句文字描述，就能創(chuàng)建出逼真的3D頭像。

不僅能一句話改變形象，如“留卷發(fā)和大胡子穿著黑色皮夾克的男性”：

甚至連性別都能隨意更換，“紅色衣著非洲發(fā)型的女性”：（手動狗頭）

研究人員也給出了一個應用Demo示范，創(chuàng)建自己的形象只需要幾個按鈕：

更多效果可以戳項目地址查看~

做出了RODIN后，團隊接下來的計劃是？

據(jù)微軟亞洲研究院作者們表示，目前RODIN的作品還主要停留在3D半身人像上，這也與它主要采用人臉數(shù)據(jù)訓練有關，但3D圖像生成需求不僅局限于人臉上。

下一步，團隊將會考慮嘗試用RODIN模型創(chuàng)建更多3D場景，包括花草樹木、建筑、汽車家居等，實現(xiàn)“一個模型生成3D萬物”的終極目標。

論文地址：
https://arxiv.org/abs/2212.06135

項目頁面：
https://3d-avatar-diffusion.microsoft.com