《RECONX: RECONSTRUCT ANY SCENE FROM SPARSEVIEWS WITH VIDEO DIFFUSION MODEL》论文阅读

论文地址：https://arxiv.org/pdf/2408.16767

项目地址：GitHub - liuff19/ReconX: ReconX: Reconstruct Any Scene from Sparse Views with Video Diffusion Model

---------------------------------------------------------------------------------------------------------------------------------

任务：        

                                        将模糊重建挑战重新构建为时间生成任务

挑战：

        传统3D场景重建在“密集视角”（即从多个角度拍摄大量照片）情况下表现很好，但当捕获的视角有限时，重建变得困难。这是因为有限视角下信息不足，导致“未见区域”出现伪影和失真。

解决：

        1. 重新定义问题：ReconX 将这个模糊的重建问题视为一个“时间生成任务”，也就是说，它不直接解决3D重建的病态问题，而是通过时间维度（视频序列）生成一个逐帧一致的3D场景。

        2. 使用大规模预训练的扩散模型：扩散模型是一种生成模型，能够从稀疏视角中生成高质量的内容。ReconX 利用这种模型来生成细节丰富的视频帧，并通过这些帧确保3D场景的一致性。

贡献：

•         提出了ReconX，一种新的稀疏视角3D场景重建框架，将模糊的重建挑战重新定义为时间生成任务。
•         将3D结构引导整合到视频扩散模型的条件空间中，以生成具备3D一致性的帧，并提出了一种基于3D置信度感知的优化方案，通过3DGS从生成的视频中重建场景。
•         大量实验表明，ReconX在多个真实世界数据集上在高保真度和泛化性方面优于现有方法。

大致过程：

• 首先, 给定稀疏的图像，通过一个 无姿态的立体重建方法DUSt3R 构建全局点云。
• 然后，将其编码到一个丰富的上下文表示空间中，作为交叉注意力层中的3D条件，指导视频扩散模型合成细节保留的帧，并生成具备3D一致性的场景新观察视角。
• 最后，通过结合3D置信度感知和鲁棒的场景优化方案的高斯点散射，从生成的视频中重建3D场景，从而有效地去除视频帧中的不确定性模糊。

详细过程：

        该项目分为一下几步：构建三维结构指导，3D一致的视频帧生成，自信感知3d优化

构建三维结构指导

        从稀疏视图的图像集（可能只有几个图像）中恢复场景的3D结构。

        首先，对于给定的稀疏图像集，构建了一个连接图。每个图像被视为一个节点，如果两个图像之间有相同或重叠的视觉内容，它们之间就会形成一条边。这种结构便于识别哪些视图有共享信息。

        接下来，系统通过每对图像之间的视觉信息预测点云和置信度图，生成每对视图共享的3D点。

        通过旋转和缩放，使每对图像的点云预测对齐到同一个全局坐标系中。这一步是为了确保不同视角下的点云一致。

        对齐后的点云被进一步简化，并通过 Transformer 编码器投射到一个潜在的3D上下文空间中。这是为了让系统在处理过程中能够更好地理解和利用这些3D结构信息。

        最终，通过这个上下文空间，系统生成了3D结构引导信息，这些信息将用于指导视频扩散模型生成3D一致性较好的新视图。

3D一致的视频帧生成

        将3D结构引导F(P) 融入到视频扩散过程中，以生成3D一致性帧。为了确保生成帧与场景的高保真渲染视图之间的一致性，利用视频插值能力来恢复更多未见的视角。

        首先，利用3D结构引导来提升生成帧的质量，使其更加符合稀疏图像视角下的3D结构。

        然后，模型通过交叉注意力机制，在每层的空间特征中融合图像和3D结构特征，进而生成符合高保真标准的新视角帧。

置信感知3DGS优化

        置信感知机制主要通过全局对齐生成帧的像素值，建模每个像素的颜色值为高斯分布，其中均值是生成帧的像素值，方差则衡量生成帧和真实帧的差异。

        问题：

                传统的3D重建方法主要用于处理经过校准的摄像机拍摄的真实照片，而直接应用这些方法于生成的视频时，由于生成图像的不确定性，难以恢复一致的3D场景。

        解决：

                采用了一种置信感知的3DGS（3D结构引导系统）机制来重建复杂场景。

        首先，对于生成的帧 Ii 和真实视图 i 的每像素颜色值表示为^Ci和Ci

        然后，将像素值建模为3DGS中的高斯分布，其中 Ii 的均值和方差为Ci和σi。方差σi表示生成的视图与实际视图之间的差异。目标是最小化所有帧之间的负对数似然。

        最后，从DUSt3R的 Transformer 解码器中找到对齐良好的映射函数A，该函数为每个生成的帧  构建置信度图 。具体地说，在难以估计的区域(例如，具有固体颜色的区域)中，置信度分数往往较低，而在不确定性较低的区域得分将较高。

原文地址：https://blog.csdn.net/programmer_A/article/details/142965719

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！