来源：Arxiv 论文作者：Ben Poole, Ajay Jain, Jonathan T. Barron, Ben Mildenhall 项目主页：https://dreamfusion3d.github.io/ 论文链接：https://arxiv.org/pdf/2209.14988.pdf 内容整理：王炅昊 本论文把近期发展火热的2D扩散模型和Nerf（神经辐射场）结合，提出DreamFusion，实现了从文字生成3D模型。
目录
- 摘要
- 引入：扩散模型
- 方法
摘要
在数十亿图像-文本对上训练的扩散模型，在文字生成图像的任务上大获成功。但是，如果想要将这种方法应用于 3D 生成（synthesis），需要对大规模的 3D 数据集进行标注并且在其上面训练，除此之外，还需对 3D 数据去噪的有效架构，但目前这两者都不存在。在这项工作中，作者通过使用预训练的 2D 文本-图像的扩散模型，实现文本到 3D 合成。他们引入了基于概率密度蒸馏的损失函数，这也允许了2D扩散模型作为先验，用以优化参数图像生成器。在类似 DeepDream 的过程中使用这种损失函数，作者通过梯度下降优化随机初始化的 3D 模型（NeRF），使其从随机角度的 2D 渲染均能让损失函数值较低。
在该方法中，给定文本生成的 3D 模型可以从任意角度观察，通过任意照明重新点亮，或合成到任何 3D 环境中。值得注意的是，该方法不需要 3D 训练数据，也不需要对图像扩散模型进行修改，证明了预训练图像扩散模型作为先验的有效性。
引入：扩散模型
扩散模型是隐变量生成模型，它学习将样本从易处理的噪声分布逐渐转换为数据分布的过程，他由一个正向过程
和一个反向过程或生成模型
组成。正向过程
通过添加噪声从数据
中缓慢移除结构，反向过程或生成模型
则从噪声
开始缓慢添加结构。
前向过程
前向过程通常是一个高斯分布，它从先前在时间步 t 的噪声较小的隐含表示，转换为在时间步 t 1 的噪声较大的隐含表示。给定初始数据x，我们可以通过积分得到隐变量在t时间的边缘分布：
而如果利用这个结果，我们同时可以积分数据的密度以得到平滑后的数据分布。
为了使
在前向过程开始（
）的时候接近于数据分布，并且在前向传播的最后(
)接近于一个高斯分布，需要选择合适的
和
系数。
反向过程
反向过程，也即生成模型
则需要对随机噪声
一步步增加结构。状态转移函数通常可以参数化为
，其中
是从前向过程中推导出的后验分布，而
则是一个学习出的对优化去噪器的近似。
但在DDPM中，作者并没有直接学习
，而是训练了一个图片到图片的U-Net网络，
，用以预测隐变量中的噪声部分
：
这个噪声可以与一个预测损失函数关联：
而在此类似于VAE，生成模型的训练目标是变分下界（ELBO），把上述损失函数简化为：
其中
是一个时变的权重函数。因此，扩散模型的训练可以被视为学习一个隐变量模型，或者学习与数据的多个噪声版本相对应的一系列得分函数。文字生成图片的扩散模型学习
，这个网络的条件是文字的嵌入（embedding）。
方法
整体流程
DreamFusion的整体训练流程如下图所示：
对于一个描述文本“a DSLR photo of a peacock on a surfboard”，首先输入预训练好的、参数固定的文本特征提取器（图中Transformer），并以此为condition输入扩散模型（U-Net，同样参数固定）。每一步训练时，对Nerf渲染出的图像加入一个随机噪声进行扰动，输入U-Net后得到其估计出的噪声，并计算两者之差
，这个差值将会用于反向传播的梯度计算。
值得注意的是，Nerf模型渲染的图片将会选择一个随机的相机位置作为观察视角，并且使用从密度梯度计算的法线（normal）、以随机的光照方向对场景进行着色。这样可以保证在不同视角、光照情况下，渲染出的图像都符合文本描述的认知。
采样&损失函数
通常来说，扩散模型的采样方式是在观察到的数据上进行采样，也即采样像素。然而，在该任务中，作者们并不希望对像素进行采样；他们只希望学习出一个3D模型，使得该模型在任意视角下看上去像一张好的图片。这种模型通常可以被认为是一个可微图像参数化（differentiable image parameterization, DIP），也即用参数
和生成器
来获取图像：
。
在Nerf的背景下，参数
就是3D的Volume以及其他提供的参数，如观察视角、光照条件等等；而生成器
则是体积分渲染器。
如果我们按照DDPM等方案中的损失函数来面对该任务，那么对于任何一个生成的数据点
而言，我们的目标是学习到最优的3D Volume参数。需要注意的是，该任务中扩散模型的U-Net是固定的，所需要训练的仅仅是Nerf的3D Volume：
如果我们把这个目标的损失函数写成之前的形式，并且求其梯度，我们会得到这样一个形式：
我们可以发现，U-Net（也即扩散模型的主要模型）的雅各比矩阵计算起来的复杂度是巨大的。于是，作者决定将这一项省去，因此可以得到新的梯度：
这个损失函数和一般扩散模型一样，基于一个随机噪声在时间戳
处对
的扰动，使得参数的更新方向靠近一个有更高概率密度的区域。通过证明，作者发现这个梯度其实是一个加权概率密度蒸馏损失函数：
具体推导过程可参见论文。因此，作者命名他们使用的这个采样方案为SDS（Score Distillation Sampling）。这个方案不需要对扩散模型进行反向传播更新，而是只训练一个Nerf。下图中给出了该采样方案与扩散模型采样的对比：
这里，作者使用了简单的生成函数
作演示（也即生成一个对称的图片）。可以看到，DDPM类的扩散模型，是对于像素空间内的像素进行采样；而在右边，他们的方案可以直接对
使用SGD进行更新，在有生成函数的几何限制的情况下，获得可观的结果。
同时，作者也在附录中给出了这一损失函数反向传播的伪代码：
可以发现，该损失函数的反向传播实现也非常简练。
神经渲染
本文在渲染过程中使用的是和一般Nerf一致的设定，也即使用MLP输出3D位置的体密度以及从特定视角和光照下观察的RGB值。值得一提的是其着色（shading）部分。相比于传统的NeRF模型，他们的MLP仅仅得到表面处的RGB值，而这个RGB值随后将被一个可控的光照“点亮”。我们把这个表面上的RGB值表示为反照率（albedo）
，并把体密度表示为
，则他们的MLP得到的值分别为：
根据体密度，我们也可以计算某一位置
对应的法向量：
随后，我们假设有一个点光源，其坐标、颜色和环境光颜色分别为
，
和
，我们能够得到光照下该点的颜色：
训练过程
随机采样相机和光照
训练的每一步，相机的参数都是在球面坐标上随机采样实现的，包含了3个参数：仰角
, 方位角
, 与原点的距离
。除此之外他们还采样了一个up向量和一个聚焦点（look-at point），结合起来就可以获得相机的外参矩阵。对于内参矩阵，他们采样了一个乘数
，并联合图像的像素宽度得到其焦距
。实际操作中，他们渲染的图片大小为64x64。
对于光照而言，点光源位置是从一个以原点为中心附近的分布中采样的。
基于视角的文本嵌入
对于仰角较大的数据，文本中将会加入“overhead view”；对于小于60°的仰角，他们将会根据方位角加入文本“front view”，“side view”或是“back view”。
训练设置
硬件方面，作者使用了带有4块显卡的TPUv4的机器，进行每一个文本对应的3D场景进行训练。每一块卡渲染一个独立的视角，并且在每一张卡上的batchsize设置为1。
时间方面，训练过程需要迭代15000次，在上述硬件设置下共需要1.5小时。
效果展示
该方案可以产生许多质量高而且天马行空的模型，本文在这里只列举少数，更多结果可以在项目官网查看。
与其他方案的结果对比如下图所示：
可以看到，主观效果上，DreamFusion生成的模型看上去明显更加生动且接近描述。
