[22] Rodin: A Generative Model for Sculpting 3D Digital Avatars Using Diffusion

news2025/4/6 3:40:03

paper: https://arxiv.org/abs/2212.06135

总结：提出一种基于扩散模型和tri-plain features的3D虚拟人像生成方法。该方法包含多个模型，需要多次训练：

使用Blender synthetic pipeline（Fake it untill you make it）生成虚拟数据。共包含100K个虚拟人像，对每个虚拟人像，额外渲染300幅多视角图片（256 x 256）
基于步骤1的数据，拟合得到表征每个虚拟人像的tri-plain features（256 x 256 x 32），并训练共享解码器；
训练基础扩散模型，学习高斯噪声到低分辨率tri-plain features（基于步骤2下采样得到）的映射。同时，会将图片编码作为条件输入；
训练扩散超分模型，学习tri-plain features低分辨率到高分辨率的映射。
训练卷积超分模型，学习渲染图片低分辨率到高分辨率的映射。

produce high-fidelity 3D avatars

use xx to orchestrate (organize) the feature generation

the xx hampers cross-plane communication

hallucinate a 3D avatar = 3D portrait from a single image

摘要

引言

方法

Robust 3D Representation Fitting

Latent Conditioned 3D Diffusion Model

Diffusion Tri-plane Upsampler

实验

Unconditional Generation Results

Comparison

Analysis of the Rodin Model

Application

3D portrait from a single image

Text-to-avatar generation

Text-based avatar customization

摘要

提出一种3D生成模型：用扩散模型自动生成3D数字虚拟人，并将其表征为neural radiance fields。
该任务的主要问题在：生成高质量虚拟人，需要耗费大量时间和内存；
本文提出roll-out diffusion network (Rodin)，该方法将neural radiance field表征为多个2D feature maps，并将这些特征层展开为一个2D特征平面，进一步在该特征平面中执行3D-aware diffusion。
- 3D-aware convolution：通过映射关系，在2D特征上执行了3D卷积，提高效率；
- latent conditioning：组织特征生成，使得全局连贯，可生成高保真虚拟人像，并可通过文本控制语义修改；
- hierachical synthesis：进一步增强细节；
Rodin的功能：1）3D avatar generation from text；2）3D avatar generation from image；3）text-guided editability

引言

为什么要做数字虚拟人：1）数字虚拟人在电影、游戏、元宇宙中有广泛应用；2）由于虚拟人制作流程繁琐，现有数字虚拟人数据少，尤其是在头发和胡须。
本文提出一种用于制作数字虚拟人的扩散模型，该方法将虚拟人表示为神经辐射场，每个点描述了颜色辐射率（color radiance）和3D体素的密度（density of the 3D volume）。主要难点在于，生成高质量虚拟人需要大量的内存和计算开销。
为了解决该问题，本文提出了Rodin（roll-out diffusion network），该方法将神经辐射场表征为多个2D feature maps，并将这些特征层展开为一个2D特征平面，进一步在该特征平面中执行3D-aware diffusion。具体来说，本文使用tri-plane representation（EG3D），将这些特征层展开后，执行3D-aware diffusion。Rodin由三个重要部分组成：
- 1）3D-aware convolution，在tri-plain上执行，希望学习到3D关系；
- 2）latent conditioning，用训练数据集中的avatars，训练一个额外的图片编码器，提取语义隐向量，作为扩散模型的条件输入。当语义编辑时，本文使用权重冻结的CLIP图片编码器，该编码器和text prompts共享隐空间。
- 3）hierarchical synthesis，首先生成低分辨率tri-plane（64 x 64），然后使用一个diffusion-based上采样，产生高分辨率（256 x 256）。训练diffusion upsampler时，细节是惩罚图片级别的损失。
Rodin在100K个具有多视角图片的虚拟人像数据集上训练（Fake it untill you make it: face analysis in the wild using synthetic data alone）。

方法

Robust 3D Representation Fitting

数据准备：使用Blender synthetic pipeline（Fake it untill you make it）生成虚拟数据。共包含100K个虚拟人像，对每个虚拟人像，额外渲染300幅多视角图片（256 x 256）。
表征形式：通过tri-plain features（EG3D）表征虚拟人像，每个虚拟人像有一个对应的tri-plain features（3个特征平面，每个特征平面维度为256 x 256 x 32）。输入空间位置和索引特征，解码器处理后得到该点的density和view-dependent color，后两者通过volumetric rendering后可以得到RGB图像。
解码器：所有虚拟人像共享一个解码器，由MLP组成。

Latent Conditioned 3D Diffusion Model

扩散模型：通过扩散模型，学习高斯噪声到tri-plain features（64 x 64 x 32）的映射关系。相较于传统扩散模型，在训练时，损失还包括variational lower bound loss L_VLB [41]；在推理时，采样方法时stochastic ancestral sampler [24]；
3D-aware convolution：使用传统2D U-Net处理tri-plain features，会破坏特征间空间关系，导致生成图片失真。因此，本文首先将tre-plain features展平（Tri-plain roll-out）；其次，对特征图上一点y_uv，会将y_u和y_v和它concat在一起做卷积（3D-aware conv），y_u是指uw特征图上的u行，y_v是指vw特征图上的v列，通过重复填充，将三者维度统一为H x W x C。

Latent conditioning：对任意目标，将其正面超前图片送入冻结参数的CLIP图片编码器，得到512维隐码，在训练扩散模型时，将512维隐码作为扩散模型的条件输入。另外，有20%概率将latent编码置零（classifier-free gudance），在推理阶段，通过混合条件预测和非条件预测，让输出更加稳定：，后者为非条件预测。

Diffusion Tri-plane Upsampler

Diffusion超分模型：预测不是噪声，而是高分辨率tri-plain features。会对tri-plain features做数据增强（condition augmentation），包含random downsampling，Gaussian blurring和Gaussian noises。另外在训练过程中，会对渲染图片引入损失：perceptual loss，具体来说，会用预训练VGG的多层特征提取器计算：。
卷积超分模型：将渲染图片（512 x 512）超分至（1024 x 1024）