Stable Video 3D震撼上线，视频扩散模型史诗级提升！4090可跑，权重已开放

新智元报道

编辑：alan

【新智元导读】近日，Stability AI又发布了新作SV3D，基于视频扩散模型的SV3D将3D模型生成的效果提升了一大截，模型权重已在huggingface开放。

Stability AI又有新动作了！这次给我们端上来的是全新的3D生成模型Stable Video 3D（SV3D）。

只需一张图，SV3D就能生成对应的3D模型，相比于自家之前发布的Stable Zero123，模型质量更高，功能更强！

与之前基于Stable Diffusion1.5的Stable Zero123不同，SV3D以Stable Video Diffusion为基础，充分利用了视频模型的功能性。

与图像扩散模型相比，视频扩散模型在生成输出的泛化和视图一致性方面存在明显优势。

从上面的演示我们可以看到，SV3D的生成效果大大超越了当前的同类模型，视频模型的理解能力确实不一般，篮球、玉米、钟表都做的相当还原。

——不过还是需要说一句，开庭时请带上你的SV3D。

项目地址：https://sv3d.github.io/

模型下载：https://huggingface.co/stabilityai/sv3d

此外，Stability还给出了两个进阶版本：

SV3D_u，基于单个图像输入生成轨道视频，无需相机调节； SV3D_p，扩展了SVD3_u的功能，既可以容纳单个图像，也可以容纳轨道视图，从而允许沿着指定的摄像机路径创建3D视频。

目前，Stable Video 3D可以通过Stability AI会员资格用于商业目的。

对于非商业用途，可以在Hugging Face上下载模型权重。

多视图和3D生成

单图像3D对象重建是计算机视觉中长期存在的问题，且在游戏设计、AR/VR、电子商务、机器人等领域有着广泛的应用。

这是一个非常具有挑战性的问题，因为它需要将2D像素提升到3D空间，同时还要推理3D中物体看不见的部分。

对此，一个典型的策略是使用基于图像的2D生成模型（比如Imagen、Stable Diffusion等）为给定对象的不可见新视图提供3D优化损失函数。

还有的方法是采用2D的图像生成模型，从单个图像执行新视图合成（novel view synthesi，NVS）。

从概念上讲，这些方法都是模仿了典型的基于摄影测量的3D对象捕获管道，即首先拍摄对象的多视图图像，然后进行3D优化。

这种方法的一个关键问题是，底层生成模型中缺乏多视图一致性，导致新视图不一致。

多视图一致性和泛化

本文的工作以视频扩散模型（Stable Video Diffusion，SVD）为基础，来生成具有显式相机姿态条件的给定对象的多个新视图，具有出色的多视图一致性。

另外，由于SVD是在比大规模3D数据更容易获得的大规模图像和视频数据上训练的，所以具有更强的泛化能力。

SV3D的工作原理如下图所示，首先根据输入的单个图像，生成一致的多视图图像。

然后使用生成的视图优化3D表示，从而生成高质量的3D网格。

通过调整视频扩散模型Stable Video Diffusion，并添加摄像机路径调节，SV3D能够生成对象的多视图视频。

此外，研究人员还提出了改进的3D优化，利用SV3D的强大功能来生成围绕物体的任意轨道。

通过进一步实施解纠缠照明优化（disentangled illumination optimization）、以及新的掩蔽分数蒸馏采样损失功能（masked score distillation sampling loss function），SV3D能够从单个图像输入可靠地输出高质量的3D网格。

研究人员在具有2D和3D指标的多个数据集上进行了大量实验，结果表明：SV3D在NVS和3D重建方面到达了目前最好的性能。

模型设计

SV3D的主要思想是重新利用视频扩散模型中的时间一致性，以实现对象的空间3D一致性。

具体来说，研究人员对SVD进行微调，以在单视图图像的基础上围绕3D物体生成轨道视频。该轨道视频不必处于相同的高度，也不必处于规则间隔的方位角。

如上图所示，SV3D的架构建立在SVD的基础上，SVD由一个具有多个层的UNet组成，每层包含一个带有Conv3D层的残差块序列，以及两个带有注意力层的Transformer块（空间和时间）。

作者对于SVD做了如下调整：

1. 删除了fps id和motion bucket id的矢量条件，因为它们与SV3D无关； 2. 在嵌入到SVD的VAE编码器的潜空间之后，将条件图像根据噪声潜态输入连接到UNet； 3. 将条件图像的CLIPembedding矩阵作为键和值提供给每个Transformer块的交叉注意力层。 4. 相机轨迹与扩散噪声时间步长一起输入残差块。

动态轨道

如上图所示，研究人员设计了静态和动态轨道来研究相机姿态调节的效果。

在静态轨道上，相机以相同的仰角和规则间隔的方位角围绕物体旋转。

静态轨道的缺点是，由于调节仰角，可能无法获得有关物体顶部或底部的任何信息。

而在动态轨道中，方位角可以不规则地间隔，并且仰角可以因视图而异。

为了建立一个动态轨道，研究人员对静态轨道进行采样，在方位角上添加小的随机噪声，并在高度方向上添加具有不同频率的正弦曲线的随机加权组合。

三角形CFG缩放

还有一个问题是，SVD在生成的帧中使用线性递增的无分类器引导（CFG）比例，这种缩放会导致生成轨道中的最后几帧过度锐化，如上图第20帧所示。

作者建议在推理过程中使用三角形CFG缩放（Triangular CFG Scalin），从上图可以看出，使用三角形CFG缩放在后视图（第12帧）中产生了更多细节。

模型

作者训练了三个从SVD微调的图像到3D视频模型。

首先是一个无姿态的模型SV3D，该模型仅以单视图图像为条件，即可生成围绕物体的静态轨道视频。请注意，与SVD-MV不同，这里没有为无姿态模型提供仰角，因为作者发现模型能够从条件图像中推断出它。

第二个模型是姿态条件的SV3D_u，它以输入图像以及轨道上的相机仰角和方位角序列为条件，在动态轨道上进行训练。

通过在训练过程中逐渐增加任务难度，产生了第三个模型SV3D_p，首先微调SVD以无条件地产生静态轨道，然后在具有相机姿态条件下的动态轨道上进行调整。

研究人员使用Objaverse数据集训练了SV3D，该数据集包含涵盖广泛多样性的合成3D对象。对于每个对象，在576×576分辨率、33.8度视野的随机颜色背景上环绕渲染21帧。

所有三个模型总共训练了105k次迭代，批量大小为64。总共使用了8个80GB A100 GPU（4个节点）训练了6天 。

最后，我们直观地看一下几种3D生成模型的效果比较：

参考资料：

https://stability.ai/news/introducing-stable-video-3d?utm_source=Twitter&utm_medium=website&utm_campaign=blog