[[443015]]

本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯(lián)系出處。

給灰突突的3D模型加“新皮膚”，這事兒能有多簡單？

現(xiàn)在，只需要一句話就能搞定。

看！

一個普通小臺燈，給個“Brick Lamp”的描述，瞬間變“磚塊燈”：

一匹灰色小馬，加上“Astronaut Horse”，搖身一變就成了“宇航馬”：

操作簡單不說，每一個角度上的細節(jié)和紋理也都呈現(xiàn)出來了。

這就是用一個專門給3D物體“換皮膚”的模型Text2Mesh做出來的，由芝加哥大學和特拉維夫大學聯(lián)合打造。

是不是有點意思？

一句話給3D物體“換皮膚”

Text2Mesh模型的輸入只需一個3D Mesh（無論原始圖像質量高低），外加一句文字描述。

具體變換過程如下：

輸入的原始網(wǎng)格模型mesh，頂點V∈Rn×3，表面F∈{1, . . . , n}m×3，它們在整個訓練過程中固定不變。

然后再構造一個神經(jīng)風格（neural style）網(wǎng)絡，為mesh每個頂點生成一個樣式屬性，后續(xù)好在整個表面上定義風格。

具體來說，該網(wǎng)絡將網(wǎng)格表面p∈V上的點映射成相應的RGB顏色，并沿法線方向位移，生成一個風格化了的初始mesh。

接著從多個視圖對這個mesh進行渲染。

再使用CLIP嵌入的2D增強技術讓結果更逼真。

在這個過程中，渲染圖像和文本提示之間的CLIP相似性得分，會被作為更新神經(jīng)網(wǎng)絡權重的信號。

整個Text2Mesh不需要預訓練，也不需要專門的3D Mesh數(shù)據(jù)集，更無需進行UV參數(shù)化（將三角網(wǎng)格展開到二維平面）。

具體效果如何？

Text2Mesh在單個GPU上訓練的時間只需不到25分鐘，高質量的結果可以在10分鐘之內出現(xiàn)。

它可以生成各種風格，并且細節(jié)還原非常到位：

再比如下面這個，不管是變雪人、忍者、蝙蝠俠、綠巨人，還是喬布斯、梅西、律師……衣服的褶皺、配飾、肌肉、發(fā)絲……等細節(jié)都可以生動呈現(xiàn)。

研究人員還設計了一個用戶調查，將Text2Mesh與基線方法VQGAN相比。

評分涉及三個問題：1、生成的結果自然程度；2、文本與結果的匹配度；3、結果與原始圖像的匹配度。

57名用戶打分后，得出的結果如下：

Text2Mesh在每一項上得分都比VQGAN高。

此外，在更復雜、更特殊的文本描述之下，Text2Mesh也能hold住。

比如“由鉤針編織成的閃亮的金色衣服熨斗”：

“帶波紋金屬的藍鋼luxo臺燈”：

更厲害的是，Text2Mesh模型還可以直接使用圖片驅動。

比如就給一張仙人掌的照片，也能直接把原始灰色的3D小豬變成“仙人掌風格”：

One More Thing

Text2Mesh代碼已開源，在Kaggle Notebook上也有人上傳了demo。感興趣的便朋友可以一試：

最后，大家知道這是只啥么？

demo地址：

https://www.kaggle.com/neverix/text2mesh/

論文：

https://arxiv.org/abs/2112.03221

代碼：

https://github.com/threedle/text2mesh

參考鏈接：
https://threedle.github.io/text2mesh/