英伟达入局AIGC！Magic3D新模型力压谷歌DreamFusion

导读：AIGC的赛道上，又多了一个实力派！英伟达发布Magic3D生成模型，对标谷歌DreamFusion，直言解决了对家的两大缺点。

从DALL·E到Stable Diffusion，最近，基于AIGC的技术和应用成为业界和学界的又一宠儿。

Stable Diffusion背后的公司Stability AI甚至凭借这个模型获得多家投资机构青睐，一跃成为独角兽。

如果说资本的嗅觉是最敏锐的，那么科技巨头先后入场也就不足为奇了，这块细分领域迅速地「卷」起来了！

大厂接连入局AIGC，怎能少了英伟达

9月，谷歌发布了基于文本提示生成3D模型的DreamFusion，声称不需要 3D 训练数据，也不需要修改图像扩散模型，证明了预训练图像扩散模型作为先验模型的有效性。

10月，Meta推出新模型Make-A-Video，可以从文本一键生成视频，初步实现了「动动嘴，做视频」。

单说文字直接生成视频这个方面，Make-A-Video 甚至战胜了不少专业的动画设计专业的学生。

上周，英伟达也宣布入场！

该公司研究人员发布了Magic3D，这是一个可以从文字描述中生成3D模型的AI模型。

在输入诸如「一只坐在睡莲上的蓝色毒镖蛙」这样的提示后，Magic3D在大约40分钟内生成了一个3D网格模型，并配有彩色纹理。

与DreamFusion使用文本到图像模型生成2D图像，然后优化为体积NeRF（神经辐射场）数据的方式类似，Magic3D同样是将低分辨率生成的粗略模型优化为高分辨率的精细模型，由此产生的Magic3D方法，可以比DreamFusion更快地生成3D目标。

从上面Magic3D的架构示意图可以看出，Magic3D以「由粗到细」的方式从输入的文本提示中生成高分辨率的三维内容。

整个生成过程分为两个阶段。

第一阶段，研究团队使用eDiff-I作为低分辨率文本-图像扩散先验。通过优化Instant NGP获得初始3D表示。

之后通过反复抽样和渲染低分辨率图像，不断计算Score Distillation Sampling的损失来训练Instant NGP。

优化后使用DMTet，从Instant NGP中提取一个粗略模型，并使用哈希网格和稀疏加速结构对其进行加速。

该扩散先验用于计算场景的梯度，根据64×64的低分辨率图像在渲染图像上定义的损失进行建模。

第二阶段，研究团队使用高分辨率潜在扩散模型（LDM），不断抽样和渲染第一阶段的粗略模型。通过交互渲染器进行优化，反向生成512×512的高分辨率渲染图像。

Magic3D还可以对3D网格进行基于提示的实时编辑。想改变生成模型，只要改改文字提示，就能立即生成新的模型。

谷歌DreamFusion要加油了

英伟达团队指出，DreamFusion存在两大缺陷。

首先，通过该模型，无法获得3D模型的高分辨率几何体或纹理，因为扩散模型仅对64×64的图像生效。

其次，这种方法的扩展性表现并不好。DreamFusion的场景渲染模型使基于Mip-NeRF 360的大型MLP。该模型在体渲染时需要海量样本，这在计算上费时费力。

因此，DreamFusion生成高分辨率的图像需要更大的计算成本，去评估每个样本的神经网络。

英伟达团队使用Instant NGP的哈希特征编码，大大降低高分辨率图像特征表示的计算成本。

使用与DreamFusion相同的文本提示。对于每个3D模型，团队从两个视图渲染它，每个视图都有无纹理渲染，并删除背景以专注于实际的 3D 形状。

可以发现，Magic3D生成的3D模型在整体和纹理上都更胜一筹。

作为对比，我们向用户并排展示了两个3D生成模型的视频，这两个视频分别由谷歌的DreamFusion和Magic3D使用相同的文本提示从标准视图中生成的，由用户选择更逼真的那个。

在总共1191个反馈意见中，有61.7%的用户认为Magic3D生成的模型质量比DreamFusion更高。

研究人员表示，随着模型的完善，所产生的技术可以加速游戏和VR应用的开发，可能最终会在电影和电视的特效制作中实现落地应用。

「我们希望通过Magic3D，可以使3D合成技术进一步普及，并激发每个人在3D内容上的创造力。」

经过近十年的技术发展，人们对AIGC的探索已经进入了商业化、规模化的阶段。

随着越来越多的科技巨头加入这个赛道，创造出令人惊叹的AI生成作品，有理由相信，AIGC的大航海时代已经来临。