メタバースにおける 3D クリエイティブ ツールの需要の高まりに応えるため、3D シーンの生成が最近大きな注目を集めています。 3D コンテンツ作成の中核は、2D 観察から 3D 表現を復元することを目的とした逆グラフィックスです。 3D アセットの作成に必要なコストと労力を考慮すると、3D コンテンツ作成の最終目標は、インターネット上の膨大な 2D 画像から 3D 生成モデルを学習することになります。 3D 知覚の生成モデルに関する最近の研究では、この問題にある程度対処しており、研究のほとんどは 2D 画像データを活用してオブジェクト中心のコンテンツ (顔、人体、オブジェクトなど) を生成しています。ただし、この種の生成タスクの観測空間は有限領域内にあり、生成されたターゲットは 3 次元空間の限られた領域を占めます。ここで疑問が生じます。膨大なインターネット 2D 画像から境界のないシーンの 3D 生成モデルを学習できるでしょうか?たとえば、広い範囲をカバーし、無限に拡張できる鮮やかな自然の風景です (下図を参照)。
S-Lab の研究者が新しいフレームワーク SceneDreamer # # を提案しました# 、ラベルのない大量の自然画像から境界のない 3 次元シーンの生成モデルを学習することに重点を置いています。シーン ノイズとスタイル ノイズをサンプリングすることにより、SceneDreamer は、非常に高い 3 次元の一貫性を維持しながら、自然シーンの多様なスタイルをレンダリングすることができ、カメラがシーン内を自由に歩き回ることができます。 このような目標を達成するには、次の 3 つの課題に直面します。
1) 境界のないシーンには効率的な 3 次元表現が欠けています: 境界がありません。シーンは多くの場合、任意の大きなユークリッド空間を占有するため、効率的で表現力豊かな基礎となる 3D 表現の重要性が強調されます。
2) コンテンツの位置合わせの欠如: 既存の 3D 生成作業では、位置合わせプロパティ (顔、人体、一般的なオブジェクトなど) を持つデータ セットを使用します。シーンは通常、同様のセマンティクス、同様のスケール位置と方向を持ちます。ただし、ラベルのない大規模な 2D 画像では、さまざまなオブジェクトやシーンが非常に異なるセマンティクスを持ち、スケール、位置、向きが可変であることがよくあります。この調整の欠如により、生成モデルのトレーニングが不安定になる可能性があります。
3) カメラ ポーズ事前分布の欠如: 3D 生成モデルは、画像から 3D 表現への逆レンダリング プロセスを実装するために、正確なカメラ ポーズまたはカメラ ポーズ分布の事前分布に依存します。しかし、インターネット上の自然画像はさまざまなシーンや画像ソースからのものであるため、カメラのポーズに関する正確な情報や事前情報を取得することは不可能です。
この目的を達成するために、我々は原則に基づいた敵対的学習フレームワーク SceneDreamer を提案します。このフレームワークは、大量のラベルのない自然画像から無制限の 3 次元シーンを生成することを学習します。このフレームワークは 3 つの主要モジュールで構成されています: 1) 効率的で表現力豊かな鳥瞰図 (BEV) 3D シーン表現、2) シーンの普遍的な表現を学習する生成ニューラル ハッシュ グリッド、3) スタイル主導のボリューム レンダラー、トレーニングは、敵対的学習を通じて 2 次元画像から直接実行されます。
上図は、SceneDreamer の主な構造を示しています。推論プロセス中に、シーン構造を表すシンプレックス ノイズ 
とシーン スタイルを表すガウス ノイズ 
を入力としてランダムにサンプリングでき、モデルはレンダリングできます。カメラの自由な動きをサポートしながら、大規模な 3 次元シーンを実現します。まず、シーン ノイズ
から高さマップとセマンティック マップで構成される BEV シーン表現を取得します。次に、BEV 表現を使用してローカル 3D シーン ウィンドウを明示的に構築し、カメラ サンプリングを実行すると同時に、BEV 表現をシーンの特徴
にエンコードします。サンプリング ポイント 
とシーンの特徴 
の座標を使用して、生成ニューラル ハッシュ グリッドによってエンコードされた高次元空間をクエリし、空間差分とシーン差分潜在力を取得します。変数
#。 最後に、スタイル ノイズによって変調されたボリューム レンダラーを通じてカメラ ライトの潜在変数を統合し、最終的にレンダリングされた 2 次元画像を取得します。
境界のない 3D シーン生成を学ぶためには、シーンを効率的かつ高品質に表現することが望まれます。我々は、セマンティックマップとハイトマップからなるBEV表現を用いて大規模な3次元シーンを表現することを提案する。具体的には、シーンノイズからノンパラメトリックマップ構築手法により鳥瞰図のハイトマップとセマンティックマップを取得します。高さマップはシーン表面点の高さ情報を記録し、意味マップは対応する点の意味ラベルを記録します。私たちが使用する BEV 表現は、セマンティック マップと高さマップで構成されており、1) n^2 の複雑さで 3 次元シーンを表現でき、2) 3 次元の点に対応するセマンティクスを取得できるため、次のことを行うことができます。コンテンツの配置の問題。 3) 無限のシーンを合成するためのスライディング ウィンドウの使用をサポートし、トレーニング中の固定シーン解像度によって引き起こされる汎化問題を回避します。
シーン間を一般化できる 3 次元表現をエンコードするには、敵対的学習のトレーニングを容易にするために、空間的な 3 次元シーン表現を潜在空間にエンコードする必要があります。大規模な境界のないシーンの場合、通常、レンダリングに意味があるのは表面の可視点だけであることに注意してください。これは、そのパラメトリック フォームがコンパクトでまばらである必要があることを意味します。トライプレーンまたは 3 次元畳み込みモデル空間全体などの既存の方法では、目に見えない表面点のモデリングに大量のモデル容量が浪費されます。 3D 再構成タスクにおけるニューラル ハッシュ グリッドの成功に触発され、空間的にコンパクトで効率的なその特性を生成タスクに一般化し、生成ニューラル ハッシュ グリッドを使用してシーン全体の 3D 空間特徴をモデル化することを提案します。具体的には、ハッシュ関数 F_theta を使用して、シーンの特徴 f_s と空間点座標 x をマルチスケール混合の学習可能なパラメーターにマッピングします。
レンダリングの 3 次元の一貫性を確保するために、ボリューム レンダリングに基づいたレンダリング ネットワークを使用して、3 次元空間の特徴を 2 次元画像にマッピングします。カメラ ライト上の点については、生成ハッシュ グリッドをクエリして対応する特徴 f_x を取得し、スタイル ノイズによって変調されたマルチレイヤー MLP を使用して、対応する点の色とボリューム密度を取得し、最後にボリューム レンダリングを使用して、 point カメラ光線上のすべての点は、対応するピクセルの色に統合されます。
#フレームワーク全体は、敵対的学習を通じて 2D 画像上でエンドツーエンドで直接トレーニングされます。ジェネレーターは前述のボリューム レンダラーであり、ディスクリミネーターには、BEV 表現からカメラに投影されたセマンティック マップに基づいて実際の画像とレンダリングされた画像を区別するために、セマンティックを認識したディスクリミティブ ネットワークを使用します。詳細については、論文を参照してください。
トレーニングが完了すると、シーン ノイズとスタイル ノイズをランダムにサンプリングすることで、適切な深度情報と 3D 一貫性を備えたさまざまな 3D シーンを生成でき、自由なカメラ軌跡のレンダリングをサポートします。
同様の補間スムーズ トランジションの結果と同様に、フレームワークは分離モードをサポートしています。これは、補間のためにシーンまたはスタイルを個別に修正することで、潜在空間の意味論的な豊かさを反映します。
以上がワンクリックで山や川をさまざまなスタイルで生成し、2D 画像から無制限の 3D シーンを生成する方法を学びますの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。
![[Web フロントエンド] Node.js クイック スタート](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
