新智元报道
编辑：alan
【新智元导读】对于专业应用和创意工作流来说，除了高质量的形状和纹理，更需要可以独立操作的「零部件级3D模型」。为此，Meta与牛津大学的研究人员推出了全新的多视图扩散模型。
当前AI生成的3D模型，已经拥有相当高的质量。
但这些生成结果通常只是单个物体的某种表示（比如隐式神经场、高斯混合或网格），而不包含结构信息。
对于专业应用和创意工作流来说，除了高质量的形状和纹理，更需要可以独立操作的「零部件级3D模型」。
比如上图中的几个例子，3D模型应该由多个有意义的部分组成，可以分离、组合与编辑。
而上图中的效果，正是出自Meta与牛津大学的研究人员推出的全新多视图扩散模型——PartGen。
论文地址：https://arxiv.org/pdf/2412.18608
项目地址：https://silent-chen.github.io/PartGen
PartGen可以使用文本、图像或非结构化3D对象作为输入，生成上面说的「子结构可分离」的3D模型。
同一些SOTA生成工作流类似，PartGen也采用两阶段方案，以消除零部件分割和重建的歧义：
首先，多视图生成器根据给定条件，生成3D对象的多个视图，由第一个多视图扩散模型提取一组合理且视图一致的部分分割，将对象划分为多个部分。
然后，第二个多视图扩散模型将每个部分分开，填充遮挡并馈送到3D重建网络，对这些补充完整的视图进行3D重建。
PartGen在生成过程中考虑了整个对象的上下文，以确保各部分紧密集成。这种生成式补全模型可以弥补由于遮挡而丢失的信息，还原出完全不可见的部分。
作者在合成以及真实的3D资产上评估了PartGen，如图所示，其性能大大优于之前的类似方法。
作者还将PartGen部署到真实的下游应用程序，例如3D零件编辑，以证明模型的实力。
零部件级3D生成
零件很重要，因为零件可以支持重用、编辑或者动画。
人类艺术家在制作3D模型时，会自然地以这种角度考虑。
比如一个人的模型可以分解成衣服和配饰，以及各种解剖特征（头发、眼睛、牙齿、四肢等）。
零件承载的信息和功能也很重要，比如不同的部分可能具有不同的动画或不同的材质。
零件还可以单独替换、删除或编辑。比如在视频游戏中，角色更换武器或衣服。
另外，由于其语义意义，零部件对于机器人、具身人工智能和空间智能等3D理解和应用也很重要。
PartGen将现有3D生成方法从非结构化，升级为零部件组合的方法，从而解决了两个关键问题：
1）如何自动将3D对象分割成多个部分； 2）如何提取高质量、完整的3D零部件，即使是在外观部分遮挡、或者根本看不到的情况下。
多视图零部件分割
3D对象分割并没有所谓的「黄金标准」。因此，分割方法应该对合理的部分分割的分布进行建模，而不是对单个分割进行建模。
可以使用概率扩散模型来学习这项任务，从而有效地捕捉和建模这种模糊性。
作为整个生成流程的第一阶段，研究人员将零件分割转换为随机多视图一致性着色问题（stochastic multi-view-consistent colouring problem），利用经过微调的多视图图像生成器，在3D对象的多个视图中生成颜色编码的分割图。
作者不假设任何确定性的零件分类法——分割模型从艺术家创建的大量数据中学习，如何将对象分解为多个部分。
考虑将多数图图像作为输入，模型的任务就是预测多个部分的mask。给定一个映射，将分割图渲染为多视图RGB图像，然后对预训练模型进行微调。
作者使用VAE将多视图图像编码到潜在空间中，并将其与噪声潜在空间堆叠起来，作为扩散网络的输入。
这种方法有两个优势：首先是利用了预训练的图像生成器，保证了天生具有视图一致性；其次，生成方法允许简单地从模型中重新采样来进行多个合理的分割。
上下文部分补全
对于第二个问题，即在3D中重建分割的零件，普遍的方法是在现有的对象视图中屏蔽零件，然后使用3D重建网络进行恢复。
然而，当零件被严重遮挡时，这项任务相当于非模态重建，是高度模糊的，确定性重构网络无法很好地解决。
本文建议微调另一个多视图生成器来补全部分的视图，同时考虑整个对象的上下文。
类似于上一个阶段，研究人员将预训练的VAE分别应用于蒙版图像和上下文图像，产生2 × 8个通道，并将它们与8D噪声图像和未编码的部分掩码堆叠在一起，获得扩散模型的25通道输入。
通过这种方式，即使零件在原始输入视图中仅部分可见，甚至不可见，也可以可靠地重建这些零件。此外，生成的部分可以很好地组合在一起，形成一个连贯的3D对象。
最后一步是在3D中重建零件。因为零件视图已经是完整且一致的，所以可以简单地使用重建网络来生成预测，此阶段的模型不需要特殊的微调。
训练数据
为了训练模型，研究人员从140k 3D艺术家生成的资产集合中构建了数据集（商业来源获得AI训练许可）。数据集中的示例对象如图3所示。
对于方法中涉及微调的三个模型，每个模型的数据预处理方式都不同。
为了训练多视图生成器模型，首先必须将目标多视图图像（4个视图组成）渲染到完整对象。
作者从正交方位角和20度仰角对4个视图进行着色，并将它们排列在2 × 2网格中。
在文本条件下，训练数据由多视图图像对及其文本标题组成，选择10k最高质量的资产，并使用类似CAP3D的工作流生成它们的文本标题。
在图像条件下，使用所有140k模型数据，设置随机采样以单个渲染的形式出现。
为了训练零件分割和补全网络，还需要渲染多视图零件图像及其深度图。
由于不同的创作者对部分分解有不同的想法，因此作者过滤掉数据集中可能缺乏语义的过于精细的部分（首先剔除占用对象体积小于5%的部分，然后删除具有10个以上部分或由单个整体组成的资产）。
最终的数据集包含45k个对象（210k个零部件）。
下游应用
下图给出了几个应用示例：部件感知文本到3D生成、部件感知图像到3D生成，以及真实世界的3D对象分解。
如图所示，PartGen可以有效地生成具有不同部件的3D对象，即使在严重重叠的情况下，例如小熊软糖。
给定一个来自GSO（Google Scanned Objects）的3D对象，渲染不同的视图以获得图像网格，图6的最后一行显示，PartGen可以有效地分解现实世界的3D对象。
当3D对象被分解之后，它们就可以通过文本输入进一步修改。如图7所示，PartGen可以根据文本提示有效地编辑零件的形状和纹理。
参考资料：
https://x.com/MinghaoChen23/status/1871809184620323279
