WonderWold团队 投稿
量子位 | 公众号 QbitAI
斯坦福吴佳俊团队与MIT携手打造的最新研究成果,让我们离实时生成开放世界游戏又近了一大步。
从单一图像出发,在用户的实时交互下生成无限延展的3D场景:
只需上传一张图片,就能踏入一个由AI创造的虚拟世界。用户可以通过移动视角和输入文本提示,实时决定接下来要探索的方向和场景内容:
从鸟瞰图的视角,可以清晰看到虚拟世界的生成过程:
无论是魔幻森林、现实都市,还是宁静乡村,WonderWorld都能在眨眼间为你呈现:
这项工作名为 WonderWorld,由斯坦福吴佳俊团队和MIT联合打造。
WonderWorld的项目主页上还有能以 第一视角移动的交互式场景:
资深游戏创业者,GOAT Gamin的首席AI官兴奋地表示:“它还能对非真实感的图片work。有无限多的可能性!”
在硅谷广受欢迎的Hacker News上,WonderWorld也一度被放在头版讨论:
要知道,之前的生成式AI方法都需要数十分钟甚至若干小时才能生成一个单独的场景,WonderWorld的速度可谓打开了交互式新世界的大门。
那这究竟是如何做到的?
交互式生成 3D 世界
要让用户来控制生成一个3D世界, 最核心的难点在于生成速度。先前的AI生成3D场景的方法大都需要先逐步生成许多目标场景的2D图片来补全被遮挡的部分,然后再优化得到一个3D场景的表示。这个过程耗时颇多。
WonderWorld的核心突破在于其惊人的速度。
研究团队开发的 FLAGS (Fast LAyered Gaussian Surfels) 场景表示方法,使得系统能在短短10秒内生成一个新场景。这一速度比现有方法快了近100倍,真正将交互式3D世界生成推向了实时的门槛。
具体来说,WonderWorld生成新场景时,会先生成一张场景的2D图片(对于第一个场景则是直接使用输入图片),从图片中生成三张layer images,再从layer images来生成 FLAGS 表示。
FLAGS表示由三层 Gaussian surfels组成: 天空层,背景层,以及前景层。每一层都从对应的layer image中生成。天空和背景的layer image 都单独进行了遮挡的补全,因此WonderWorld不需要逐步生成多张图片。
另外,FLAGS表示的每个Gaussian surfel都唯一对应一个layer image 上的像素,因此它可以使用估计的像素级别几何信息(如单目深度和单目法向量)来初始化Gaussian surfels的参数,从而加速其优化过程。
最后,WonderWorld 还针对多个3D场景之间经常出现几何“裂缝”的问题,提出了 Guided depth diffusion。核心想法是,利用已经生成的 3D 场景的深度信息作为 guidance,使新生成场景的深度与其一致。只要新旧场景在连接处的深度一致,那么场景的裂缝就得以弥合。
值得一提的是,无论是2D图片生成还是深度估计模块,都可以直接采用预训练模型,因此整个框架不需要任何训练。
实验测试
由于先前没有任何方法可以做到交互式3D场景生成,研究人员采用了连贯3D场景生成的方法 WonderJourney,单一场景生成的 Text2Room以及 LucidDreamer作对比。由于缺乏现有可用评估数据集,研究人员生成了28个场景作为测试。
研究人员首先展示了更多的交互式生成的场景,从而说明WonderWorld可以在应用到不同场景类型以及不同视觉风格:
与基准方法的比较表明,WonderWorld明显优于各个方法:
从人类偏好评估的角度,WonderWorld 也显著更受青睐:
此外,从一张输入图片,WonderWorld能够接受不同的用户控制,生成不同的场景内容:
作者简介
该篇论文主要作者来自斯坦福大学吴佳俊团队。
论文一作 俞洪兴,斯坦福大学五年级博士生。
主要研究领域为重建可交互的物理世界。他曾获得 SIGGRAPH Asia 最佳论文奖,高通奖学金,以及 Meta 奖学金和 NVIDIA 奖学金的提名。
吴佳俊,现任斯坦福大学助理教授,隶属于斯坦福视觉与学习实验室(SVL)和斯坦福人工智能实验室(SAIL)。
在麻省理工学院完成博士学位,本科毕业于清华大学姚班,曾被誉为“清华十大学神”之一。
论文链接:
https://arxiv.org/pdf/2406.09394
参考链接:
[2]https://kovenyu.com/wonderworld
— 完—
投稿请发邮件到:
ai@qbitai.com
标题注明【投稿】,告诉我们:
你是谁,从哪来,投稿内容
附上论文/项目主页链接,以及联系方式哦
我们会(尽量)及时回复你
点这里 👇关注我,记得标星哦~
科技前沿进展日日相见 ~