Dreamgaussian：用于三维数字内容自动生成的生成式 GS_dream gaussian

Paper: Tang J, Ren J, Zhou H, et al. Dreamgaussian: Generative gaussian splatting for efficient 3d content creation[J]. arXiv preprint arXiv:2309.16653, 2023.
Introduction: https://dreamgaussian.github.io/
Code: https://github.com/dreamgaussian/dreamgaussian

DreamGaussian 是 ICLR 2024 Oral 论文，能够在短短 2 分钟内完成 Image-to-3D 和 Text-to-3D 任务，根据文本或 2D 图像重建出高质量的纹理 3D 网格。

DreamGaussian 基于 3D Gaussian Splatting，使用 2D diffusion 作先验优化三维场景。为了得到更清晰的渲染效果，还设计算法从 3D-GS 中提取 mesh 以细化纹理。DreamGaussian 不仅能细致还原物体的几何形状，还能捕捉其表面的细微纹理和色彩，展现了惊人的细节和还原度。

本文参考 【三维重建】DreamGaussian：高斯splatting的单视图3D内容生成（原理+代码），更多参考资料如下：

• 文章总结：DreamGaussian: Generative Gaussian Splatting for Efficient 3D Content Creation——阅读笔记；

一. 研究思路

• 三维数字内容自动生成 (automatic 3D digital content creation) 包括 Image-to-3D 和 Text-to-3D，可以降低艺术创作的门槛和人力成本。
• 3D creation 的研究方向分为：
  • 直接推理的 3D 原生方法 (inference-only 3D native methods)：可以快速生成三维一致性内容，但缺少可用的大规模 3D 训练数据；
  • 基于优化的 2D 提升方法 (optimization-based 2D lifting methods)：可以使用 2D 扩散模型蒸馏元素的几何和外观，但用于场景表示的 NeRF 训练和渲染都相当耗时；
• 文章提出了一种新方法 —— DreamGaussian，同时支持 Image-to-3D 和 Text-to-3D。通过引入 3D Gaussian Splatting 并结合 网格提取 (meshes extraction) 和 纹理细化 (texture refinement)，提高了 2D lifting 方法自动生成 3D 内容的效率。

1. 生成式 Gaussian Splatting

文中提出了一种新的 3D 内容生成模型，通过将 Gaussian Splatting 应用到生成任务中，显著减少了 2D lifting 方法的生成时间。以往的 NeRF 表示法难以优化空白空间，而生成式 Gaussian Splatting 可以简化优化空间，从而达到较高的生成效率。

生成式 NeRF：NeRF 采用体积渲染，可以在只有二维监督下实现三维优化，已广泛用于三维重建和生成。但 NeRF 的优化过程需要耗费大量时间，尽管有 InstantNGP 等加速工作，但这只能缩减重建的时间，并不能降低渲染的时间消耗。
生成式 Gaussian Splatting：3D Gaussian Splatting 作为 NeRF 的替代三维场景表示方法，其快速可微光栅化实现了高效和高质量的渲染效果。因此 Dreamgaussian 将 3D Gaussian Splatting 引入 3D 内容生成任务，以实现高效的渲染。

2. 网格提取

由于 SDS 监督和致密化操作的模糊性，直接使用 3D-GS 生成的内容会比较模糊。想要清晰渲染就需要明确地细化纹理，就需要从 3D-GS 中提取精细的纹理多边形网格。因此 Dreamgaussian 设计了相应算法，通过局部密度查询从 3D-GS 中提取网格 (mesh)。

致密化 (densification) ：3D-GS 的优化过程中，需要周期性地进行自适应控制，即对 under-reconstruction 和 over-reconstruction 的 Gaussians 进行复制或拆分的操作。对于高斯模型没有完全覆盖的几何体，复制高斯模型并将其沿位置梯度方向移动以覆盖几何体；对于高斯模型覆盖范围超出的几何体，拆分高斯模型至只覆盖几何体。

3. 纹理细化

为了进一步增强纹理细节，增加了一个生成 UV 空间的细化阶段。鉴于直接应用隐空间 SDS Loss 会导致 UV 映射时过度饱和的块状伪影，参考 Sdedit ¹，并进行图像空间监督。

UV 空间：一种二维纹理坐标系，用于定义纹理贴图在三维模型表面上的位置。在 UV 空间中，每个点都可以用一个 $(u,v)$ 坐标来表示，其中 $u$ 代表水平方向，$v$ 代表垂直方向。这种映射关系可以通过纹理映射技术实现，将二维图像投影到三维模型的表面上。²

Sdedit：Stochastic Differential Editing，一种基于扩散模型的图像生成和编辑方法，使用随机微分方程 (stochastic differential equation) 迭代去噪来生成逼真的图像。Sdedit 不需要特定任务的训练或反演，可以自然地在真实感和可信度之间平衡，在完成图像合成和编辑的任务中性能明显优于 GAN。

4. Dreamgaussian pipeline

如图所示，Dreamgaussian 先使用 3D Gaussian Splatting 建模 text / image 指示的内容，使用 SDS Loss 进行优化；然后从 Gaussians 中提取纹理网格；最后通过多轮计算 MSE Loss 细化网格上图像的纹理。

二. 生成式 Gaussian Splatting

在三维空间中，通过随机采样初始化 Gaussians，随后使用 SDS 进行优化，并且周期性地对 Gaussians 进行致密化。在 2D diffusion 中，利用不同的 diffusion 先验 $\varphi$ 引导 SDS 去噪，并反向传播到三维 Gaussians 中。

记 3D GS 场景中的 Gaussian Θ i = { x i , s i , q i , α i , c i } \Theta_i=\{x_i, s_i, q_i, \alpha_i, c_i\} Θi​={xi​,si​,qi​,αi​,ci​}，分别表示该 Gaussian 的三维位置、缩放矩阵、旋转矩阵、透明度和球谐系数（记颜色特征）；训练过程中相机机位 $p$ 渲染得到的 RGB 图像为 $I_{RGB}^p$，透明度为 $I_A^p$。

1. Image-to-3D

Image-to-3D 的输入是一张图像 ${\tilde{I}}_{RGB}^r$ 和 mask ${\tilde{I}}_A^r$。采用 Zero-1-to-3 ³ 作为二维 diffusion 先验，其 SDS Loss 如下：
$${\nabla }_{\Theta }{\mathcal{L}}_{\mathrm{SDS}}={\mathbb{E}}_{t,p,ϵ}\left[\left({ϵ}_{\varphi }\left(I_{\mathrm{RGB}}^p;t,{\tilde{I}}_{\mathrm{RGB}}^r,\Delta p\right)-ϵ\right)\frac{\partial I_{\mathrm{RGB}}^p}{\partial \Theta }\right]$$

$I_{RGB}^p$ 和 $I_A^p$ 的损失如下：
$${\mathcal{L}}_{\mathrm{Ref}}={\lambda }_{\mathrm{RGB}}{\Vert I_{\mathrm{RGB}}^r-{\tilde{I}}_{\mathrm{RGB}}^r\Vert }_2^2+{\lambda }_{\mathrm{A}}{\Vert I_{\mathrm{A}}^r-{\tilde{I}}_{\mathrm{A}}^r\Vert }_2^2$$

2. Text-to-3D

Text-to-3D 的输入是一句文本 prompt。采用 Stable diffusion 作为先验，其 SDS Loss 如下：
$${\nabla }_{\Theta }{\mathcal{L}}_{\mathrm{SDS}}={\mathbb{E}}_{t,p,ϵ}\left[\left({ϵ}_{\varphi }\left(I_{\mathrm{RGB}}^p;t,e\right)-ϵ\right)\frac{\partial I_{\mathrm{RGB}}^p}{\partial \Theta }\right]$$

作者观察到，即使使用较长的 SDS 训练迭代，生成的 GS 场景看起来还是较为模糊，缺少细节。这是因为 SDS Loss 的模糊性，在每个优化步骤提供了不连续的三维引导。因此作者在生成式 GS 的基础上设计了网格提取和纹理细化。

三. 网格提取

Dreamgaussian 将生成的 GS 场景转换成多边形网格 (mesh)，从而才能进一步细化纹理。Dreamgaussian 的网格提取基于 block-wise 的局部密度查询 (local density query)，并且对颜色进行逆映射 (color back-projection)。

1. 局部密度查询

为了提取网格的几何形状，需要一个密集的密度网格来应用 Marching Cubes 算法。GS 一个重要特征是在优化过程中，过大的 Gaussian 会被复制或分割，Dreamgaussian 利用这个特性来执行基于 block-wise 的密度查询。

先将 (−1,1)³ 的三维空间划分为 16³ 个块，然后剔除中心位于每个局部块外的 Gaussians；在每个块内查询一个 8³ 个密集的网格，从而得到最终的 128³ 个密集网格。对于网格位置 $x$ 处的每个查询，将 Gaussians 的加权不透明度相加得到局部密度：
$$d(\mathbf{x})=\sum _i{\alpha }_i\exp \left(-\frac{1}{2}{\left(\mathbf{x}-{\mathbf{x}}_{\mathbf{i}}\right)}^T{\Sigma }_i^{-1}\left(\mathbf{x}-{\mathbf{x}}_{\mathbf{i}}\right)\right)$$

使用一个经验阈值 (empirical threshold) 通过 Marching Cubes 算法提取网格表面。采用 Decimation 和 Remeshing 对提取的网格进行后处理，使其光滑。

Marching Cubes 算法：一种计算机图形学中的算法，用于将三维数据转换为 mesh 模型。其主要原理是将三维数据分割为小的立方体，然后根据每个立方体内部的数据值确定其表面的形状。算法的具体步骤如下：

1. 网格划分：将三维数据划分为边长为 $h$ 的网格，每个网格包含 8 个顶点和 12 条棱，分别对应三维空间中的点和线段；
2. 计算网格内部的标量值：对于每个网格，需要计算其内部 8 个顶点的标量值。对于坐标顶点 $(x,y,z)$，可以表示其标量值为 $f(x,y,z)$；
3. 确定网格内部的等值面：根据网格内部的标量值，需要确定其内部的等值面，即标量值等于某个特定值的表面。在 Marching Cubes 算法中，通常将等值面的标量值设为 0；
4. 计算等值面上的顶点：对于每个等值面，需要计算其上的顶点。这些顶点通常位于等值面的边界处，也就是位于两个不同标量值的网格之间的位置；
5. 确定等值面的拓扑结构：根据等值面上的顶点，需要确定其拓扑结构。拓扑结构是指等值面上顶点之间的连接关系，通常使用三角形来表示；
6. 生成三角形网格：根据等值面的拓扑结构，需要生成三角形网格。在 Marching Cubes 算法中，使用了一个预定义的查找表来确定每个等值面所对应的三角形网格；

2. 颜色逆映射

在获得了网格几何形状后，将渲染的 RGB 图像反向投影到网格表面，并将其作为纹理。具体的做法是：先展开 mesh 的 UV 坐标，并初始化一个空的纹理图像；然后统一选择 8 个方位角和 3 个高度，加上顶部和底部视图来渲染相应的 RGB 图像。

这些 RGB 图像中的每个像素都可以根据 UV 坐标反向投影到纹理图像上，并且排除具有小相机空间 z 方向法线的像素，以避免网格边界上的不稳定投影。这个反向投影的纹理图像作为下一网格纹理微调阶段的初始化。

四. 纹理细化

由于 SDS 的模糊性，从 Gaussian 中提取的 mesh 通常具有模糊的纹理。因此，Dreamgaussian 提出了第二阶段来细化纹理图像。然而，直接使用 SDS 损失直接微调 UV 空间往往会导致伪影，在 SDS 的模糊引导下，传播到每个 mipmap 级别的梯度会导致过饱和的颜色块：

Dreamgaussian 在模糊纹理的基础上，从任意相机机位 $p$ 渲染模糊图像 $I_{coarse}^p$，然后使用随机噪声对图像进行扰动，并使用二维 diffusion 先验执行多步去噪过程 $f_{\varphi }(\cdot )$ 获得细化的图像：
$$I_{\text{fine}}^p=f_{\varphi }\left(I_{\text{coarse}}^p+ϵ\left(t_{\text{start}}\right);t_{\text{start}},c\right)$$

初始时间步长 $t_{\text{start}}$ 是特定用来限制噪声强度的，因此细化后的图像 $I_{\text{fine}}^p$ 可以在不破坏原始内容的情况下增强细节。然后再使用增强后的图像通过像素级的 MSE 损失来优化纹理：
$${\mathcal{L}}_{\mathrm{MSE}}={\Vert I_{\text{fine }}^p-I_{\text{coarse }}^p\Vert }_2^2$$

五. 实验

六. 总结

DreamGaussian 可以在 2 分钟内根据文本或 2D 图像生成逼真的具有显式网格和纹理细节的 3D 物体，其效率是现有技术的十倍之多。更难能可贵的是，尽管处理速度极快，但它在输出模型的质量上却毫不妥协，下图是老算法和新算法的渲染效率比较 ⁴：

七. 复现

Dreamgaussian 开源了 训练代码，也在 Colab 和 huggingface 上提供了 Demo，Colab 中分别展示 Image-to-3D 和 Text-to-3D 的效果，可以在线运行。下文克隆了源代码仓库进行复现：

• 平台：AutoDL
• 显卡：V100 32GB
• 镜像：PyTorch 2.0.0、Python 3.8(ubuntu20.04)、Cuda 11.8
• 源码：https://github.com/dreamgaussian/dreamgaussian

1. Image-to-3D

实验过程：

1. 根据 README 克隆仓库并安装依赖项；

2. 图像预处理时，去除 test.png 背景并重新居中，然后保存为 256×256 像素的 RGBA 图像；

3. 训练阶段，因为服务器上无图形界面的环境，因此使用 GUI 模式会报错：
   

   试图安装图形界面并使用虚拟显示，未成功：

   # 安装 Mesa 工具
   sudo apt-get update
   sudo apt-get install mesa-utils
   # 设置虚拟显示
   sudo apt-get install xvfb
   xvfb-run python main.py --config configs/image.yaml input=data/test_rgba.png save_path=test
   1
   2
   3
   4
   5
   6

4. 用无 GUI 模式进行训练，遇到 RuntimeError: Error building extension 'nvdiffrast_plugin_gl' 报错：
   

   将 configs/text.yaml 和 configs/text_mv.yaml 中 force_cuda_rast 设置为 True 即可 ⁵；

5. 解决完上个报错，又出现新的 RuntimeError: Error building extension 'nvdiffrast_plugin_gl' 报错：
   

   将 main.py 和 mesh_renderer.py 中 self.glctx = dr.RasterizeGLContext() 改为 self.glctx = dr.RasterizeCudaContext() 即可 ^{6 7}。至此，Dreamgaussian Image-to-3D 可以训练 gaussian 和 mesh 了；

6. 可视化训练结果时，又出现新的 RuntimeError: Error building extension 'nvdiffrast_plugin_gl' 报错：
   
   只需要在命令结尾加上可选项 --force_cuda_rast ⁸ 即可。至此，Dreamgaussian Image-to-3D 可以可视化了；

完整训练指令如下：

### preprocess
python process.py data/test.png
### training gaussian stage
python main.py --config configs/image.yaml input=data/test_rgba.png save_path=test
### training mesh stage
python main2.py --config configs/image.yaml input=data/test_rgba.png save_path=test mesh=logs/test_mesh.obj
### visualization
kire logs/test_mesh.obj --save_video outputs/test_mesh.mp4 --wogui --force_cuda_rast	# gaussian
kire logs/test.obj --save_video outputs/test.mp4 --wogui --force_cuda_rast				# mesh
### evaluation of CLIP-similarity
python -m kiui.cli.clip_sim data/test_rgba.png logs/test_mesh.obj --force_cuda_rast		# gaussian
python -m kiui.cli.clip_sim data/test_rgba.png logs/test.obj --force_cuda_rast			# mesh
1
2
3
4
5
6
7
8
9
10
11
12

实验结果：

1. gaussian 初始训练结果：
   
2. mesh 精细训练结果：
   
3. 可视化 gaussian 和 mesh 的建模结果：
   
   
4. 评估 gaussian 和 mesh 的重建效果：
   
   

Image 如下：

gaussian 初始建模效果如下：

mesh 精细建模效果如下：

2. Text-to-3D

实验过程：

1. 使用 Image-to-3D 配置好的项目进行生成即可；

完整训练指令如下：

### training gaussian stage
python main.py --config configs/text.yaml prompt="a photo of an icecream" save_path=icecream
### training mesh stage
python main2.py --config configs/text.yaml prompt="a photo of an icecream" save_path=icecream
### visualization
kire logs/icecream_mesh.obj --save_video outputs/icecream_mesh.mp4 --wogui --force_cuda_rast	# gaussian
kire logs/icecream.obj --save_video outputs/icecream.mp4 --wogui --force_cuda_rast				# mesh
1
2
3
4
5
6
7

实验结果：

1. gaussian 初始训练结果：
   
2. mesh 精细训练结果：
   
3. 可视化 gaussian 和 mesh 的建模结果：
   
   

gaussian 初始建模效果如下：

mesh 精细建模效果如下：

---

1. Chenlin Meng, Yutong He, Yang Song, Jiaming Song, Jiajun Wu, Jun-Yan Zhu, and Stefano Ermon. Sdedit: Guided image synthesis and editing with stochastic differential equations. arXiv preprint arXiv:2108.01073, 2021. ↩︎

2. 计算机图形学七：纹理映射(Texture Mapping)及Mipmap技术 ↩︎

3. Liu R, Wu R, Van Hoorick B, et al. Zero-1-to-3: Zero-shot one image to 3d object[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2023: 9298-9309. ↩︎

4. 春江水暖鸭先知：洞悉AIGC技术趋势，把握内容产业变革的先机 ↩︎

5. dr.RasterizeGLContext() failed #78 ↩︎

6. Cannot build nvdiffrast_plugin_gl.so#76 ↩︎

7. I have problem about nvdiffrast_plugin_gl.so #92 ↩︎

8. ninja: build stopped: subcommand failed. #24 ↩︎