文章链接：链接：
从文本和图像生成高质量的3D资产一直是一项挑战，主要是由于缺乏能够捕捉复杂几何分布的可扩展3D表示。在这项工作中，介绍了Direct3D，这是一种可扩展到in-the-wild输入图像的原生3D生成模型，不需要多视角扩散模型或SDS优化。
方法包括两个主要组件：Direct 3D Variational Auto-Encoder（D3D-VAE）和 Direct 3D Diffusion Transformer （D3D-DiT）。D3D-VAE高效地将高分辨率3D形状编码到紧凑且连续的三平面潜在空间中。
值得注意的是，该方法直接使用半连续表面采样策略对解码的几何形状进行监督，区别于依赖渲染图像作为监督信号的先前方法。D3D-DiT对编码的3D潜在分布建模，专门设计用于融合来自三平面潜在空间的三个特征图的位置信息，从而实现一个可扩展到大规模3D数据集的原生3D生成模型。
此外，还引入了一种创新的图像到3D生成pipeline，结合了语义和像素级图像条件，使模型能够生成与提供的条件图像输入一致的3D形状。大量实验表明，大规模预训练的Direct3D相比以往的图像到3D方法具有显著的优势，显著提升了生成质量和泛化能力，从而确立了3D内容创建的新标杆。
介绍
近年来，通过利用扩散模型，3D形状生成取得了实质性进展。受文本到2D图像生成中高效性的启发，这些方法试图通过在多样化的3D数据集上进行广泛训练，将扩散模型的能力扩展到3D形状生成领域。各种方法探索了不同的3D表示形式，包括点云、体素和符号距离函数（SDFs），不仅旨在真实捕捉物体的外观，还要保留复杂的几何细节。然而，现有的大规模3D数据集，如ObjverseXL，在形状的数量和多样性上都受到了限制，相比之下，其2D对标数据集如Laion5B包含了50亿张图像，而ObjverseXL仅包含1000万个3D形状。
为了解决这一限制，许多现有方法采用了一个流程：首先使用多视图扩散模型从单张图像生成物体的多视图图像，然后应用稀疏视图重建方法或评分蒸馏采样（SDS）优化将这些多视图图像融合为3D形状。虽然这个流程可以产生高质量的3D形状，但通过多视图图像间接生成的方法引发了效率问题。此外，生成形状的质量严重依赖于多视图图像的保真度，往往导致细节丢失或重建失败。
本文摒弃了间接生成多视图图像的传统方法，转而倡导通过原生3D扩散模型直接从单视图图像生成3D形状。受到潜在扩散模型在2D图像生成中成功经验的启发，我们提出使用3D变分自编码器（VAE）将3D形状编码到潜在空间，然后使用diffusion transformer model（DiT）从该潜在空间生成3D形状，并以图像输入作为条件。然而，高效地将3D形状编码到适合扩散模型训练的潜在空间中，以及将潜在表示解码回3D几何形状，都是具有挑战性的任务。先前的方法通过可微渲染使用多视图图像作为间接监督，但仍然面临准确性和效率问题。
为了解决这些挑战，研究者们采用transformer模型将高分辨率点云编码为显式三平面潜在空间，这在3D重建方法中被广泛使用，因为其效率高。虽然三平面潜在空间的分辨率故意设置较低，但引入卷积神经网络来上采样潜在分辨率并将其解码为高分辨率的3D占用网格。此外，为了确保对3D占用网格的精确监督，我们采用半连续表面采样策略，能够在连续和离散方式下对表面点进行采样和监督。这种方法有助于在紧凑且连续的显式潜在空间中编码和重建3D形状。
在图像到3D生成方面，研究者们进一步利用图像作为3D扩散Transformer的条件输入，将3D潜在空间安排为3D形状的三个正交视图的组合。特别地，将像素级图像信息集成到每个DiT块中，以确保生成的3D模型与条件图像之间的高频细节对齐。在每个DiT块中引入了交叉注意力层，以融合语义级图像信息，从而促进生成与条件图像语义一致的高质量3D形状。
通过广泛的实验，展示了所提出的Direct3D方法的高质量3D生成和强大的泛化能力。下图1展示了我们的方法在野外图像生成的3D结果，这些图像来自Hunyuan-DiT。总结起来，
主要贡献 ：
相关工作
3D生成的神经3D表示
神经3D表示对于3D生成任务至关重要。神经辐射场（NeRF）的引入显著推动了3D生成的发展。在此基础上，DreamFusion引入了评分蒸馏采样（SDS）方法，使用现成的2D扩散模型从任意文本提示生成3D形状。许多后续方法探索了各种表示形式，以提升3D生成的速度和质量。例如，Magic3D通过引入第二阶段使用DMtet表示来改善生成质量，该表示将符号距离函数（SDF）与四面体网格结合以表示3D形状。
除了基于SDS的方法，一些方法使用直接训练的网络生成不同的表示形式。例如，LRM使用三平面NeRF表示作为网络输出，显著加快了生成过程，尽管有一定的质量损失。另一种方法，One-2-3-45++，提出使用3D占用网格作为输出表示，以提升几何质量。
多视图扩散
在使用扩散模型进行新视图预测方法取得成功之后，如Zero123——该方法从单张图像和文本指导生成物体的不同未知视图——MVDream将新视图扩散扩展为一次生成物体的多个视图，从而提高了视图间的一致性。Imagedream通过引入新的图像条件模块进一步提升了生成质量。一些方法采用这种方法，先生成物体的多视图图像，然后使用稀疏重建从这些视图重建3D形状。Instant3D提出了一种重建模型，该模型以四个多视图图像作为输入，重建3D形状的NeRF表示。许多后续方法通过增强多视图或重建模型进行了改进。
直接3D扩散
尽管直接训练3D扩散模型面临诸多挑战——如缺乏可扩散的3D表示——各种策略已被探索。一类工作是拟合多个NeRF以获得3D数据集的神经表示，然后应用扩散模型从这种学习到的表示中生成NeRF。然而，NeRF的单独训练可能会阻碍扩散模型对更多样化的3D形状的泛化能力。3DGenNeural提出联合训练三平面拟合3D形状，并以占用为直接监督来训练三平面重建模型。
另一类工作利用VAE将3D形状编码到潜在空间，并在该潜在空间上训练扩散模型以生成3D形状。例如，Shap-E使用纯TransformerVAE将3D形状的点云和图像编码到隐式潜在空间，然后恢复为NeRF和SDF场。3DGen仅将3D形状的点云编码到显式三平面潜在空间，从而提高了生成效率。类似于之前拟合多个NeRF的工作，3DTopia拟合多个三平面NeRF并将其编码到潜在空间，为扩散模型生成3D形状进行训练。Michelangelo使用3D占用作为VAE的输出表示，但使用多个1D向量作为隐式潜在空间，而不是三平面。
然而，这些方法通常依赖渲染损失来监督VAE重建，导致次优的重建和生成质量。此外，使用未设计为高效编码的隐式潜在表示，并缺乏用于扩散的紧凑显式3D表示，进一步限制了它们的性能。我们的D3D-VAE结合了显式3D潜在表示和直接3D监督的优势，实现了高质量的VAE重建，确保了稳健的3D形状生成。此外，我们的扩散架构设计专门解决了条件3D潜在生成问题。我们的D3D-DiT促进了像素级和语义级的3D特定图像条件，使扩散过程能够生成与条件图像一致的高细节3D形状。
方法
受LDM的启发，在3D潜在空间内训练了一种潜在扩散模型用于3D生成。与通常依赖于1D隐式潜在空间的生成模型不同，本文的方法解决了两个关键限制：
为了缓解这些问题，采用了显式三平面潜在表示，利用三张特征图来表示3D几何潜在空间。这种设计的灵感来自LDM，它使用特征图来表示2D图像潜在空间。下图2展示了本文提出的方法的整体框架，包括两个步骤的训练过程：
Direct 3D Variational Auto-Encoder
提出的D3D-VAE包含三个组件：点到潜在编码器、潜在到三平面解码器和几何映射网络。同时，设计了一种半连续表面采样策略，利用连续和离散监督确保解码的3D形状的高频几何细节。
其中 sdf(x) 表示 x 的有符号距离函数（Signed Distance Function，SDF）值。
基于图像条件的直接3D Diffusion Transformer
在训练完D3D-VAE之后，可以获得一个连续且紧凑的潜在空间，基于这个空间训练潜在扩散模型。由于3D数据相对于拥有数十亿图像的2D数据集来说非常稀缺，训练一个具有强大泛化能力的文本条件的3D扩散模型具有挑战性。此外，文本到图像的生成模型已经取得了显著的成熟度，因此选择训练一个图像条件的3D扩散模型，以获得更好的泛化能力和更高的质量。
由于获得的潜在embedding是一个显式的三平面表示，一个简单的方法是直接使用一个精心设计的2D U-Net作为扩散模型。然而，这样做会导致三个平面之间缺乏交流，从而无法捕捉生成3D所需的结构化和固有属性。因此，基于 Diffusion Transformer（DiT）的架构构建了生成模型，利用变换器更好地提取平面之间的空间位置信息。同时，我们建议在每个DiT块中合并图像的像素级和语义级信息，从而将图像特征空间和潜在空间对齐，以生成与条件图像内容一致的3D资产。我们的潜在扩散模型框架如前面图2（b）所示，每个DiT块的架构如下图3所示。
实验
实现细节
图像和文本到3D生成
图像到3D 。在GSO数据集上对Direct3D与其他基线方法进行了图像到3D任务的定性比较，如下图4所示。
Shap-E是一个在数百万个3D资产上训练的3D扩散模型，能够生成合理的几何形状，但在网格中存在伪影和孔洞。Michelangelo在一个1D隐式潜在空间上执行扩散过程，无法将生成的网格与条件图像的语义内容对齐。基于多视角的方法，如One-2-3-45和InstantMesh，严重依赖于多视角2D扩散模型的性能。One-2-3-45直接使用SparseNeuS进行重建，导致几何形状粗糙。InstantMesh生成的网格质量不错，但在某些细节上与输入图像的一致性缺失，比如水槽上的水龙头和校车的窗户。它还产生了一些失败案例，比如将马的后腿合并在一起，这是由于多视角扩散模型的限制。相比之下，Direct3D在大多数情况下都能产生与条件图像一致的高质量网格。
文本到3D 。Direct3D可以通过结合像Hunyuan-DiT这样的文本到图像模型，从文本提示生成3D资产。下图5展示了Direct3D与其他基线方法在文本到3D任务上的定性比较。
为了确保公平比较，所有方法都使用相同的生成图像作为输入。可以看出，这些基线方法在几乎所有情况下都失败了，而Direct3D仍然能够生成高质量的网格，展示了本文方法的广泛适用性。研究者们还进行了用户研究，以定量比较D3D-DiT与其他方法。渲染了每种方法生成的网格旋转360度的视频，并请46名志愿者根据网格的质量和与输入图像的一致性进行评分。下表1的结果表明，D3D-DiT在网格质量和一致性方面优于其他基线方法。
生成纹理网格 。得益于Direct3D生成的平滑和细致的几何形状，可以利用现有的纹理合成方法轻松装饰网格。如下图6所示，使用SyncMVD获得了精美的纹理网格。
结论
本文介绍了一种新颖的方法，可以直接从单个图像生成3D形状，无需多视角重建。利用混合架构，提出的D3D-VAE能够高效地将3D形状编码为紧凑的潜在空间，增强了生成形状的保真度。本文的图像条件3D Diffusion Transformer（D3D-DiT）通过在像素级和语义级别集成图像信息，进一步提高了生成质量，确保了生成的3D形状与条件图像的高一致性。在图像到3D和文本到3D任务上进行的大量实验表明，Direct3D在3D生成方面表现优异，优于现有方法的质量和泛化能力。
局限性 。尽管Direct3D能够生成高保真度的3D资产，但目前仅限于生成单个或多个对象，无法生成大规模场景。
原文链接: