DreamGaussian: Generative Gaussian Splatting for Efficient 3D Content Creation解读-Toy模板网

这篇具有很好参考价值的文章主要介绍了DreamGaussian: Generative Gaussian Splatting for Efficient 3D Content Creation解读。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

前言

太卷啦，太卷啦，视觉太卷啦，赶紧跑路吧~_~

介绍DreamGaussian: Generative Gaussian Splatting for Efficient 3D Content Creation论文方法，解释原理，本文不是机械翻译，而是尝试讲解方法原理
论文地址：https://arxiv.org/abs/2309.16653
github地址：https://github.com/dreamgaussian/dreamgaussian?tab=readme-ov-file
项目地址（可直接运行）：https://huggingface.co/spaces/jiawei011/dreamgaussian

如有不对，欢迎讨论

一、基本介绍

本文提出了用于3D生成的DreamGaussian方法，仅依靠一张图片或者一段文字描述，就可以在短时间内生成高质量3D模型。3D生成的研究可以分为两大类：仅限推理的三维原生方法（One-2-3-45： Liu et al.，2023a； Shap-e：Jun & Nichol，2023）和基于优化的二维提升方法（Zero-1-to-3：Liu et al.，2023b）。

而DreamGaussian在生成质量和速度之间取得了更好的平衡，达到了与基于优化的的二维提升方法相当的质量，但仅比仅限推理的三维原生方法略慢。

具体来说，DreamGaussian 在DreamFusion的基础上，通过将三维高斯 splatting 应用到生成设置中，大大提高了3D内容的生成效率。可以在仅2分钟内从单个视图图像中生成具有显式网格和纹理贴图的逼真3D物体。

二、方法原理

1.DreamGaussian方法

DreamGaussian: Generative Gaussian Splatting for Efficient 3D Content Creation解读,3d,pytorch,深度学习
（i）DreamGaussian 应用了DreamFusion提出的分数蒸馏抽样（SDS）解决了需要大量三维数据训练的限制，同时使用了3D Gaussian Splatting的方法，更快更好的生成3D模型。具体来说，给定一段文字描述或一张图片，输入到预训练的diffusion模型中，开始时使用较少的Gaussians，在预定机位渲染图片，将该图片和高斯噪声混合生成加噪图片，然后将加噪图片也输入到预训练的diffusion模型中，生成去噪的图片，然后和前面加噪图片做比较，得到加噪图片到去噪图片去掉的噪声。（如果难以理解，先看下文2.分数蒸馏抽样（SDS））

将该噪声和前面的与预定机位混合的高斯噪声的分布做比较来进行SDS loss的优化，迭代训练3D Gaussian Splatting的参数，让其生成的图像更符合预训练的diffusion模型输出的图像分布。

通过Densify逐渐在SDS 训练过程增加3D Gaussians的数量和密度，可以更准确地表示和捕捉生成的细节和结构。这样可以提高生成的质量和细节，并减少生成结果的模糊程度。

（ii）Efficient Mesh Extraction是从生成的3D Gaussians中提取出带有纹理的多边形网格的方法。具体方法如下：

局部密度查询（Local Density Query）：首先将3D空间划分为多个局部块，然后剔除中心位于每个局部块外部的高斯函数。这样可以减少每个块中需要查询的高斯函数的总数。在每个块内部查询一个密集网格，计算每个网格位置的加权不透明度。通过Marching Cubes算法，根据经验阈值提取网格表面。
颜色反投影（Color Back-projection）：根据网格的几何信息，将渲染的RGB图像反投影到网格表面，并将其作为纹理。首先对网格的UV坐标进行展开，初始化一个空的纹理图像。然后根据UV坐标将渲染的RGB图像像素反投影到纹理图像上。通过这两个步骤，可以将生成的3D Gaussians转换为带有纹理的多边形网格，并进一步优化纹理。

(iii) UV-Space Texture Refinement是纹理细化的方法，它通过从生成的3D Gaussians中提取细节纹理的多边形网格，在UV空间中进行纹理细化，并使用多步MSE损失来细化纹理图像。与直接应用潜空间SDS损失的第一阶段相比，该方法通过在图像空间进行监督，避免了在UV图上产生过饱和的块状伪影。相比之前的纹理细化方法，该方法在保持高效率的同时实现了更好的保真度。

UV map是一种用于将2D纹理映射到3D模型表面的技术。它是一种二维坐标系统，与3D模型的顶点相对应，用于确定纹理在模型表面的位置和方向。

2.分数蒸馏抽样（SDS）

引用一张微信公众号上讲解DreamFusion的图片
DreamGaussian: Generative Gaussian Splatting for Efficient 3D Content Creation解读,3d,pytorch,深度学习
DreamFusion （DreamFusion: Text-to-3D using 2D Diffusion）提出分数蒸馏抽样（SDS）解决三维数据限制（也就是不需要辣莫多三维模型训练集），通过提取三维几何和外观从强大的2D扩散模型，激发了最近的2D提升方法的发展。为了应对SDS监督引起的不一致和模糊性，通常采用NeRF建模丰富的三维信息的能力。但由于NeRF渲染费时，优化需要数小时。用于加速NeRF的 occupancy pruning 技术在模糊SDS损失的监督下，在生成环境中是无效的。

于是便有了DreamGaussian把NeRF替换成3D Gaussian Splatting的改进，但SDS的原理依然很先进，下面结合上图解释一下SDS原理，以下讲解来源于微信公众号。

先用NeRF在预定的机位渲染图片，然后将这张图片和高斯分布ε~Ν(0,Ι)混合，就得到了一张加噪图片Zt 。然后，将这张加噪图片和文字信息y（图中案例是“a DSLR photo of a peacock on a surfboard”，即冲浪板上的孔雀）一起，输入到已经训练好的Imagn模型中，得到去噪后的图片Xθ(Zt|y;t)。此时，这张Xθ并非直接使用，而是和前面的加噪图片Zt做比较，就可以得到，Imagen在生成Xθ的过程中，从前面的加噪图Zt上去掉的预测噪声εθ(Zt|y;t)。

这时，因为我们前面增加的噪声是已知的，即ε，那么我们就可以将预测的噪声和实际增加的噪声做比较。这里一个主要推论是，如果NeRF生成的图像的分布，和Imagen根据文字输入生成的图像的分布是完全一致的，那么我们增加的噪声和Imagn在去噪时候将被去除的预测噪声ε^θ(Zt|y;t)，也应该完全一致。
于是，我们就可以以最小化 || ε^θ(Zt|y;t) - ε || 为目标，在冻结Imagen模型参数的情况下，去迭代训练NeRF的参数，让其生成的图像越来越符合Imagne根据文字预测的图像分布。除此之外，DreamFusion中还用了对NeRF渲染的图片做各种增强的方法。

简单来说，就是预训练Imagen模型知道孔雀长啥样，我从你NeRF刚开始随机机位渲染的某一个方向上的孔雀图片看一下，哎呦你这个不像，还需要训练，那如何训练呢，设
A是NeRF机位的图片，
B是加的高斯噪声，
C是A+B也就是把A加了B的噪声后的图片，即A+B=C
D是预训练Imagen模型减去的噪声，
E是C经过预训练Imagen模型降噪（减去D）生成的真实孔雀图片，即C-D=E
也就是A+B=D+E
SDS想办法让B==D，如果B和D越接近，则A和E越接近。

总结

文生3D是一个炙热的赛道，DreamGaussian就是一群大佬在DreamFusion和3D Gaussian Splatting的基础上设计出的方法，在最近的研究中表现很好，各位童鞋有能力就紧跟三维重建时势，设计自己的方法，能力不大ok就学会使用大佬们的方法就可以啦文章来源地址https://www.toymoban.com/news/detail-845567.html

到了这里，关于DreamGaussian: Generative Gaussian Splatting for Efficient 3D Content Creation解读的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！