新智元报道
编辑：桃子
【新智元导读】斯坦福和谷歌团队提出了ZeroNVS，可以实现单个图像零样本360度试图合成。
近来，利用3D感知扩散模型训练模型，然后对单个物体进行SDS蒸馏的研究数不胜数。
但是，能够真正做到「场景级」的画面生成，从未实现。
现如今，斯坦福李飞飞和谷歌团队打破了这个记录！
比如，输入一张从某个角度拍摄的客厅图片，整个客厅的样貌就出来了。
再来一张角度很偏的屋子拐角图，也能生成一个意想不到的空间。
还有各种物体室内、户外的全场景图。
看到这儿，不得不不让人惊呼AI「脑补」简直强的一批！
那么，这究竟是如何实现的呢？
3D感知扩散模型——ZeroNVS
最新论文中，斯坦福和谷歌研究人员引入了一种3D感知扩散模型——ZeroNVS。
论文地址：https://arxiv.org/pdf/2310.17994.pdf
单图像、360度新视图合成 (NVS) 的模型，在生成图像时应该逼真且多样化。
合成图像对于我们来说，应该看起来自然且3D一致，并且它们还应该捕获不可观察区域的许多可能的解释。
以往，这个具有挑战性的问题，通常是在单个物体，甚至没有背景下研究的，也就是说，对真实性和多样性的要求都被简化了。
最近的研究依赖于高质量大规模数据集，比如Objaverse-XL，使得条件散射模型能够从新视角产生逼真图像，然后通过SDS蒸馏采样，以提高3D一致性。
同时，由于图像多样性主要体现在背景中，而不是物体中，因此对背景的无知显着降低了合成多样化图像的效果。
事实上，大多数以物体对象为中心的方法，不再将多样性视为衡量标准。
然而，在复杂真实场景生成新视角合成是一个更难的问题，目前还没有包含完整场景真值信息的大规模数据集。
研究人员在研究中对背景进行了建模，以产生多样的结果。
在ZeroNVS中，作者开发了新技术来预测单个真实图像的场景，并且建立在之前在3D感知扩散模型训练（Zero-1-to-3）和SDS蒸馏（DreamFusion）方面的工作基础上。
具体方法
研究人员着手从单个真实图像合成场景级新颖视图的问题。
与之前的工作类似，我们首先训练扩散模型
来执行新颖的视图合成，然后利用它来执行3D SDS蒸馏。
与之前的工作不同地方在于，作者关注的是场景而不是物体。
场景提出了一些独特的挑战。首先，先前的研究使用摄像机和比例的表示，这些表示对于场景来说要么含糊不清，要么表达力不足。
其次，先前研究的推理过程是基于 SDS 的，它具有已知的模式崩溃问题，并且通过大大减少预测视图中的背景多样性在场景中体现出来。
与之前的工作相比，研究人员尝试了通过「改进场景的表示」和「推理程序」来应对这些挑战。
在这个公式中，M的输出，和单个图像的输入
是模型可用于视图合成的唯一信息。
表示视图综合的对象
如下图，3DoF相机姿势捕获指向原点的相机的相机仰角、方位角和半径，但无法表示相机的滚动（如图）或空间中任意方向的相机。
具有这种参数化的模型无法在现实世界数据上进行训练，其中许多相机姿势不能用3DoF姿势充分表示。
表示视图合成的通用场景
对于场景，研究人员应该使用具有6个自由度的相机表示，可以捕获所有可能的位置和方向。
捕获六个自由度的相机参数化的一种直接选择是相对位姿参数化。研究人员建议还将视野作为额外的自由度，并将这种组合表示称为「6DoF 1」。
M 6DoF 1的一个吸引人的特性是它对于场景的刚性变换具有不变性，因此可以得到：
对于每个归一化方案，ZeroNVS中多个样本的Sobel边缘图方差的热图。研究者提出的方案M 6DoF 1，观察者减少了由于尺度模糊而导致的随机性。
通过SDS anchoring提高多样性
基于SDS的NeRF蒸馏（左）对所有360度新视图使用相同的引导图像。
作者的「SDS anchoring」（右）首先通过DDIM对新视图进行采样，然后使用最近的图像（无论是输入还是采样的新视图）作为指导。
实验结果
再具体评估中，研究人员使用了一组标准的新视图合成指标来评估所有方法：PSNR、SSIM和LPIPS。
由于PSNR和SSIM有已知缺点，研究人员更看重LPIPS，并确认PSNR和SSIM与问题设置中的性能没有很好的相关性，如图7所示。
结果如表1所示。
首先与基线方法 DS-NeRF、PixelNeRF、SinNeRF、DietNeRF进行比较。
尽管所有这些方法都是在DTU上进行训练的，但研究人员从未在DTU上进行过训练，但实现了最先进的LPIPS零样本。
图8中显示了一些定性比较。
DTU场景仅限于相对简单的前向场景。
因此，研究人员还引入了一个更具挑战性的基准数据集，即Mip-NeRF 360数据集，来对单张图像的360度视图合成任务进行基准测试。
研究人员使用这个基准作为零样本基准，并在混合数据集上训练3个基线模型来比较零样本性能。
限制这些零样本模型，其方法在该数据集的LPIPS上遥遥领先。在DTU上，新方法在所有指标上都超过了Zero-1-to-3和零样本PixelNeRF模型，而不仅仅是LPIPS，如表2所示。
作者介绍
Kyle Sargent
斯坦福大学的一名博士生，从2022年秋季开始，在斯坦福人工智能实验室工作，导师是Jiajun Wu和李飞飞。
他还曾在谷歌研究院担任学生研究员。
参考资料：
https://twitter.com/drfeifei/status/1719778264947016077
