席卷AI世界的下一個突破在哪里？

很多人預(yù)測，是3D模型生成器。

繼年初推出的DALL-E 2用天才畫筆驚艷所有人之后，周二OpenAI發(fā)布了最新的圖像生成模型「POINT-E」，它可通過文本直接生成3D模型。

論文鏈接：https://arxiv.org/pdf/2212.08751.pdf

相比競爭對手們（如谷歌的DreamFusion）需要幾個GPU工作數(shù)個小時，POINT-E只需單個GPU便可在幾分鐘內(nèi)生成3D圖像。

經(jīng)小編實戰(zhàn)測試，Prompt輸入后POINT-E基本可以秒出3D圖像，此外輸出圖像還支持自定義編輯、保存等功能。

地址：https://huggingface.co/spaces/openai/point-e

網(wǎng)友也開始嘗試不同的prompt輸入。

但輸出的結(jié)果并不都令人滿意。

還有網(wǎng)友表示，POINT-E或許可以實現(xiàn)Meta的元宇宙愿景？

需要注意的是，POINT-E是通過點云（point cloud），也就是空間中點的數(shù)據(jù)集來生成3D圖像。

簡單來說，就是通過三維模型進行數(shù)據(jù)采集獲取空間中代表3D形狀的點云數(shù)據(jù)。

從計算的角度來看，點云更容易合成，但它們無法捕獲對象的細膩形狀或紋理，這是目前Point-E的一個短板。

為解決這個限制，Point-E團隊訓(xùn)練了一個額外的人工智能系統(tǒng)來將Point-E 的點云轉(zhuǎn)換為網(wǎng)格。

將Point-E點云轉(zhuǎn)換為網(wǎng)格

在獨立的網(wǎng)格生成模型之外，Point-E 由兩個模型組成：

一個文本圖像轉(zhuǎn)化模型（text-to-image model）和圖像轉(zhuǎn)化3D模型（image-to-3D model）。

文本圖像轉(zhuǎn)化模型類似于OpenAI的DALL-E 2和Stable Diffusion，在標記圖像上進行訓(xùn)練以理解單詞和視覺概念間的關(guān)聯(lián)。

然后，將一組與3D對象配對圖像輸入3D轉(zhuǎn)化模型，以便模型學(xué)會在兩者之間有效轉(zhuǎn)換。

當輸入一個prompt時，文本圖像轉(zhuǎn)化模型會生成一個合成渲染對象，該對象被饋送到圖像轉(zhuǎn)化3D模型，然后生成點云。

OpenAI研究人員表示，Point-E經(jīng)歷了數(shù)百萬3D對象和相關(guān)元數(shù)據(jù)的數(shù)據(jù)集的訓(xùn)練。

但它并不完美，Point-E 的圖像到 3D 模型有時無法理解文本到圖像模型中的圖像，導(dǎo)致形狀與文本提示不匹配。盡管如此，它仍然比以前的最先進技術(shù)快幾個數(shù)量級。

他們在論文中寫道：

雖然我們的方法在評估中的表現(xiàn)比最先進的技術(shù)差，但它只用了一小部分時間就可以生成樣本。這可以使它對某些應(yīng)用程序更實用，并且發(fā)現(xiàn)更高質(zhì)量的3D對象。

Point-E架構(gòu)與運行機制

Point-E模型首先使用文本到圖像的擴散模型生成一個單一的合成視圖，然后使用第二個擴散模型生成一個三維點云，該模型以生成的圖像為條件。

雖然該方法在采樣質(zhì)量方面仍未達到最先進的水平，但它的采樣速度要快一到兩個數(shù)量級，為一些使用情況提供了實際的權(quán)衡。

下圖是該模型的一個high-level的pipeline示意圖：

我們不是訓(xùn)練單個生成模型，直接生成以文本為條件的點云，而是將生成過程分為三個步驟。

首先，生成一個以文本標題為條件的綜合視圖。

接下來，生成?個基于合成視圖的粗略點云（1,024 個點） 。

最后， 生成了?個以低分辨率點云和合成視圖為條件的精細點云（4,096  個點）。?

在數(shù)百萬個3D模型上訓(xùn)練模型后，我們發(fā)現(xiàn)數(shù)據(jù)集的數(shù)據(jù)格式和質(zhì)量差異很大，這促使我們開發(fā)各種后處理步驟，以確保更高的數(shù)據(jù)質(zhì)量。

為了將所有的數(shù)據(jù)轉(zhuǎn)換為?種通用格式，我們使用Blender從20個隨機攝像機角度，將每個3D模型渲染為RGBAD圖像（Blender支持多種3D格式，并帶有優(yōu)化的渲染引擎）。

對于每個模型，Blender腳本都將模型標準化為邊界立方體，配置標準照明設(shè)置，最后使用Blender的內(nèi)置實時渲染引擎，導(dǎo)出RGBAD圖像。

然后，使用渲染將每個對象轉(zhuǎn)換為彩色點云。首先，通過計算每個RGBAD圖像中每個像素的點，來為每個對象構(gòu)建?個密集點云。這些點云通常包含數(shù)十萬個不均勻分布的點，因此我們還使用最遠點采樣，來創(chuàng)建均勻的4K點云。

通過直接從渲染構(gòu)建點云，我們能夠避免直接從3D網(wǎng)格中采樣可能出現(xiàn)的各種問題，對模型中包含的點進行取樣，或處理以不尋常的文件格式存儲的三維模型。

最后，我們采用各種啟發(fā)式方法，來減少數(shù)據(jù)集中低質(zhì)量模型的頻率。

首先，我們通過計算每個點云的SVD來消除平面對象，只保留那些最小奇異值高于某個閾值的對象。

接下來，我們通過CLIP特征對數(shù)據(jù)集進行聚類（對于每個對象，我們對所有渲染的特征進行平均）。

我們發(fā)現(xiàn)，一些集群包含許多低質(zhì)量的模型類別，而其他集群則顯得更加多樣化或可解釋。

我們將這些集群分到幾個不同質(zhì)量的bucket中，并使用所得bucket的加權(quán)混合作為我們的最終數(shù)據(jù)集。

應(yīng)用前景

OpenAI 研究人員指出，Point-E的點云還可用于制造真實世界的物體，比如3D打印。

通過額外的網(wǎng)格轉(zhuǎn)換模型，該系統(tǒng)還可以進入游戲和動畫開發(fā)工作流程。

雖然目前的目光都集中在2D藝術(shù)生成器上，但模型合成人工智能可能是下一個重大的行業(yè)顛覆者。

3D模型廣泛應(yīng)用于影視、室內(nèi)設(shè)計、建筑和各種科學(xué)領(lǐng)域。

當下3D模型的制造耗時通常需要幾個小時，而Point-E的出現(xiàn)恰恰彌補了這一缺點。

研究人員表示現(xiàn)階段Point-E還存在許多缺陷，如從訓(xùn)練數(shù)據(jù)中繼承的偏差以及對于可能用于創(chuàng)建危險物體的模型缺乏保護措施。

Point-E只是個起點，他們希望它能激發(fā)文本到3D合成領(lǐng)域的「進一步工作」。