简介

官网

 Nvidia2023提出的一种新的生成模型，可生成具有任意属性的高分辨率稀疏3D体素网格，以前馈方式生成数百万体素，最细有效分辨率高达$1024^3$，而无需耗时的 test-time 优化，使用一种分层体素潜扩散模型，使用建立在高效VDB数据结构上的自定义框架，以从粗到细的方式生成逐步更高的分辨率网格。XCube在100 m×100 m规模的大型户外场景中的有效性，体素大小小至10 cm。

实现流程

 目标是学习一个以稀疏体素层次表示的大规模3D场景的生成模型，由L层由粗到细的体素网格组成 G = { G 1 , ⋅ ， G L } G = \{G_1,\cdot， G_L\} G={G1​,⋅，GL​}及其相关的每个体素属性 A = { A 1 ， ⋅ ， A L } A = \{A_1，\cdot， A_L\} A={A1​，⋅，AL​}，如法线和语义。具有较小体素尺寸的较细网格 $G_{l+1}$ 严格包含在较粗网格 $G_l$ 中，网格$G_L$的最细级别包含最多的细节。

Sparse Structure VAE

 稀疏结构VAE旨在学习层次结构中每个体素网格及其相关属性的紧凑潜表示。基于稀疏体素网格算子构建神经网络，分别以 φ 和 ψ 为编码器和解码器权重，对后验分布 $q_{\phi }(X|G,A)$ 和似然分布 $p_{\psi }(G,A|X)$ 进行建模。

 对于编码器，利用稀疏卷积神经网络通过交替应用稀疏卷积和最大池化操作，对 X 的分辨率进行下采样来处理输入G和A 。

 对于解码器，借用了[Neural Kernel Surface Reconstruction]的结构预测骨干，允许预测输入中不存在的新的稀疏体素。从 X 开始，根据细分掩模的预测逐步修剪过多的体素并细分现有的体素，最后经过几层上采样后达到 G 的分辨率

Hierarchical Voxel Latent Diffusion

Probabilistic Modeling

 现有的3D生成工作通常使用一个潜在扩散级别(即L = 1)。虽然这足以生成包含单个物体的复杂场景，但分辨率仍远远不足以生成大规模户外场景，其基础3D表示的有限可扩展性，以及缺乏捕捉数据从粗到细性质的概率建模，阻碍了这些方法的有效性，通过将分层潜在扩散模型与稀疏体素表示相结合来解决这个问题，对网格和潜的联合分布提出以下因子分解。

 $C_{l-1}$是来自较粗层次的条件。

 c 是一个可选的全局条件，如类别标签或文本提示，$p_{{\theta }_l}(\cdot )$ 实例化为带有参数 ${\theta }_l$的扩散模型。

Diffusion Model $p_{\theta }$

 扩散随机过程遵循马尔可夫过程，通过迭代地向随机变量添加白噪声，将随机变量的复杂分布转换为单位高斯分布 $X_0\sim \mathbb{N}(0,I)$

 其中 $0<{\beta }_t\le 1$ 。相反的过程是迭代地去除噪声，并在离散的步骤数 T 内达到数据分布 $X_T$。

 $a_t=1-{\beta }_t,{\bar{a}}_t={\prod }_{s=0}^t{a}_s,{\mu }_{\theta }$是参数化的可学习模块。

 将 $v_{\theta }(\cdot )$ 实例化为[Diffusion models beat gans on image synthesis]中使用的骨干的3D稀疏变体，确保 $v_{\theta }$ 解码输出的网格结构与输入匹配，为了注入条件 $C_{l-1}$，直接将 $A_{l-1}$的特征与网络输入连接起来，$X_l$也与$G_{l-1}$共享相同的网格结构。时间步条件使用AdaGN实现，文本条件 c 使用 [Learning transferable visual models from natural language supervision] 裁剪编码，然后使用交叉注意力注入。

Training

level-l VAE loss

 ${\tilde{G}}_l,{\tilde{A}}_t$是VAE解码器 ψ 给定 $X_l$ 的输出，KaTeX parse error: Undefined control sequence: \L at position 1: \̲L̲^{Attr}_l是监督属性预测。BCE(·)为网格结构上的二元交叉熵，使得 ψ 为混合积分布。KL(·∥·)是后验概率 $p(X_l)$ 和先验概率 $p(X_l)$ 之间的KL散度，将其设置为单位高斯N (0, I)， λ 是其权重。

diffusion model loss

Sampling

 为了从Eq(1)的联合分布中采样，首先从扩散模型 $p_{{\theta }_1}$中 提取最粗的潜在 $X_1$。然后，使用解码器 $p_{{\psi }_1}$ 来生成最粗的网格 $G_1$ 及其相关属性 $A_1$ (然后由细化网络可选地对其进行细化)。以 C 1 = { G 1 , A 1 , c } C_1 = \{G_1, A_1, c\} C1​={G1​,A1​,c} 为条件，利用扩散模型 $p_{{\theta }_2}$ 生成下一层的潜伏 $X_2$，这个过程一直持续到满足 { G L , A L } \{G_L, A_L\} {GL​,AL​} 的最高分辨率。

Implementation Details

1. Early dilation.在体素尺寸较大的网络层中，将稀疏体素网格扩展1，使稀疏拓扑的光晕区域也表示非零特征。这有助于后面的层更好地捕捉局部上下文并生成平滑的结构。
2. Refinement network.分解模型的一个固有问题是误差累积，其中更高分辨率的网格不能轻易修复先前层的工件。通过在VAE解码器的输出中添加一个细化网络来缓解这一问题，该网络对 $G_l$ 和 $A_l$ 进行了细化。细化网络的架构类似于[Neural kernel surface reconstruction]，在解码之前，通过向VAE的后验添加噪声来增强其训练数据

利用VDB结构来存储稀疏的3D体素网格。由于其紧凑的表示(340万体素只需要11MB)和快速的查找程序，能够以非常高效的方式实现常见的神经操作符，如卷积和池化。所提出框架完全在GPU上运行(包括网格构建)，能够在毫秒内处理 $1024^3$大小的3D场景，比目前最先进的稀疏3D学习框架TorchSparse运行速度快3倍，内存使用率是∼0.5倍

Dataset

使用ShapeNet数据集，为构建用于训练的groundtruth体素层次结构，将每个网格体素化为 $512^3$ 分辨率，并使用的train/val/test分割。

实验