3D 生成重建014-Bidiff使用二维和三维先验的双向扩散

2024-05-25 20:44

本文主要是介绍3D 生成重建014-Bidiff使用二维和三维先验的双向扩散,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

3D 生成重建014-Bidiff使用二维和三维先验的双向扩散


文章目录

    • 0 论文工作
    • 1 论文方法
    • 2 效果

0 论文工作

大多数三维生成研究集中在将二维基础模型向上投影到三维空间中,要么通过最小化二维评分蒸馏采样(SDS)损失,要么通过对多视图数据集进行微调。由于缺乏显式的三维先验,这些方法经常导致几何异常和多视图不一致。近来研究人员试图通过直接在三维数据集上进行训练来改善三维物体的质量,其代价是生成的纹理质量较低,因为三维数据集中有限的纹理多样性。为了利用这两种方法的优势,作者提出了双向扩散(BiDiff),这是一个同时包含3D和2D的统一框架扩散过程中,二者分别服务于三维保真度和二维纹理丰富度。此外,由于一个简单的组合可能会产生不一致的生成结果,论文用bidiff把他们连接起来。
这篇论文旨在解决当前文本到三维生成方法的局限性,特别是几何异常和多视角不一致的问题,并提出一种名为 BiDiff (Bidirectional Diffusion) 的新方法,以生成高质量、细节丰富且三维一致的模型。
其实这个地方已经可以看到SyncDreamer和SyncMVD的味道了

1 论文方法

BiDiff 的核心思想是将预训练的二维和三维扩散模型结合起来,并利用双向引导机制来同步两个扩散过程,从而学习一个联合的二维和三维先验。
在这里插入图片描述
1方法概述:
混合表示: 使用 SDF (Signed Distance Field) 表示三维特征,使用多视角图像表示二维特征。
双向扩散: 分别训练一个三维扩散模型和一个二维扩散模型,并通过双向引导机制进行联合微调。
二维引导三维: 将二维扩散模型去噪后的多视角图像投影到三维空间,引导三维扩散模型的去噪过程。
三维引导二维: 将三维扩散模型去噪后的 SDF 渲染成多视角图像,引导二维扩散模型的去噪过程。
2. 优势:
高质量纹理: 利用预训练的二维扩散模型,BiDiff 可以生成比仅使用三维数据集训练的模型更丰富的纹理细节。
三维一致性: 通过双向引导机制,BiDiff 确保了生成的三维模型在不同视角下的一致性。
可控性: BiDiff 可以分别控制纹理和几何形状的生成,例如,在保持形状不变的情况下改变纹理,或在保持纹理风格不变的情况下改变形状。
高效性: 相比于基于优化的文本到三维生成方法,BiDiff 的生成速度更快。
3. 其他特点:
利用三维先验: BiDiff 使用 Shap-E 作为三维先验,并引入噪声以避免过度依赖先验模型。
与优化方法结合: BiDiff 的输出可以作为优化方法的初始化,进一步提升模型质量和效率。
4. 额外的分析:
创新性: BiDiff 的创新性主要体现在双向引导机制,它有效地将二维和三维扩散过程结合起来,并利用两个先验模型的优势。
局限性: 论文中没有与其他最新的文本到三维生成方法进行详细的比较,例如DreamFusion, ProlificDreamer等。
未来方向: 可以探索更强大的二维和三维扩散模型,以及更有效的引导机制,进一步提升生成质量和效率。

2 效果

在这里插入图片描述

这篇关于3D 生成重建014-Bidiff使用二维和三维先验的双向扩散的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1002580

相关文章

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题:墙体两侧特征混淆误匹配,导致建图和定位偏差,表现为过门跳变、外月台走歪等 ·解决思路:预期的根治方案IGICP需要较长时间完成上线,先使用切分地图的工程化方案,即墙体两侧切分为不同地图,在某一侧只使用该侧地图进行定位 方案思路 切分原理:切分地图基于关键帧位置,而非点云。 理论基础:光照是直线的,一帧点云必定只能照射到墙的一侧,无法同时照到两侧实践考虑:关

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

Hadoop数据压缩使用介绍

一、压缩原则 (1)运算密集型的Job,少用压缩 (2)IO密集型的Job,多用压缩 二、压缩算法比较 三、压缩位置选择 四、压缩参数配置 1)为了支持多种压缩/解压缩算法,Hadoop引入了编码/解码器 2)要在Hadoop中启用压缩,可以配置如下参数

Makefile简明使用教程

文章目录 规则makefile文件的基本语法:加在命令前的特殊符号:.PHONY伪目标: Makefilev1 直观写法v2 加上中间过程v3 伪目标v4 变量 make 选项-f-n-C Make 是一种流行的构建工具,常用于将源代码转换成可执行文件或者其他形式的输出文件(如库文件、文档等)。Make 可以自动化地执行编译、链接等一系列操作。 规则 makefile文件

hdu1240、hdu1253(三维搜索题)

1、从后往前输入,(x,y,z); 2、从下往上输入,(y , z, x); 3、从左往右输入,(z,x,y); hdu1240代码如下: #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#inc

AI一键生成 PPT

AI一键生成 PPT 操作步骤 作为一名打工人,是不是经常需要制作各种PPT来分享我的生活和想法。但是,你们知道,有时候灵感来了,时间却不够用了!😩直到我发现了Kimi AI——一个能够自动生成PPT的神奇助手!🌟 什么是Kimi? 一款月之暗面科技有限公司开发的AI办公工具,帮助用户快速生成高质量的演示文稿。 无论你是职场人士、学生还是教师,Kimi都能够为你的办公文

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

poj2576(二维背包)

题意:n个人分成两组,两组人数只差小于1 , 并且体重只差最小 对于人数要求恰好装满,对于体重要求尽量多,一开始没做出来,看了下解题,按照自己的感觉写,然后a了 状态转移方程:dp[i][j] = max(dp[i][j],dp[i-1][j-c[k]]+c[k]);其中i表示人数,j表示背包容量,k表示输入的体重的 代码如下: #include<iostream>#include<

hdu2159(二维背包)

这是我的第一道二维背包题,没想到自己一下子就A了,但是代码写的比较乱,下面的代码是我有重新修改的 状态转移:dp[i][j] = max(dp[i][j], dp[i-1][j-c[z]]+v[z]); 其中dp[i][j]表示,打了i个怪物,消耗j的耐力值,所得到的最大经验值 代码如下: #include<iostream>#include<algorithm>#include<