使用大模型合成的數據，就能顯著提升3D生成能力？

來自上海交大、香港中文大學等團隊還真做到了。

他們推出Bootstrap3D框架，結合微調的具備3D感知能力的多模態大模型。這個框架能夠自動生成任意數量的高質量的多視角圖片數據，助力多視圖擴散模型的訓練。

結果表明，新的合成數據能夠顯著提高現有3D生成模型的生成物體的美學質量和文本prompt的控制能力。

目前，Bootstrap3D的數據集已經全面開源。

用大模型合成數據

近年來，3D內容生成技術迎來了飛速發展。然而，相對于2D圖片生成，生成高質量的3D物體仍面臨諸多挑戰。

其中核心的瓶頸即在于3D數據，尤其是高質量數據的不足。

為了解決這一問題，研究團隊推出Bootstrap3D框架，通過自動生成多視圖圖像數據來解決3D內容生成中高質量數據不足的問題。

具體來說，這個框架采用了2D和視頻擴散模型來生成多視圖圖像，并利用一個經過微調的3D多模態大模型對生成的數據進行質量篩選和描述重寫。

通過這種方式，Bootstrap3D能夠自動產生大量高質量的3D圖像數據，從而“自舉”出一個足夠大的數據集，輔助訓練更優秀的多視圖擴散模型。

這里插一嘴，在計算機科學和機器學習領域，“Bootstrap”通常指的是一種通過自舉方法解決問題的技術。

數據構建Pipeline

具體來說，數據構建Pipeline是本次框架的核心創新之一，旨在自動生成高質量的多視圖圖像數據，并附帶詳細的描述文本。

主要分為以下幾個步驟：

文本提示生成：首先，使用強大的大語言模型（如GPT-4）生成大量富有創意和多樣化的文本提示。這些文本提示涵蓋了各種場景和物體，為后續的圖像生成提供了豐富的素材。

圖像生成：利用2D擴散模型和視頻擴散模型，根據生成的文本提示創建單視圖圖像。通過結合2D和視頻擴散模型的優勢，生成的圖像具有更高的初始質量和多樣性。

多視圖合成：使用視頻擴散模型將單視圖圖像擴展為多視圖圖像，生成不同角度的視圖。這一步驟確保了每個對象在不同視角下的一致性，解決了傳統方法中視圖不一致的問題。

質量篩選和描述重寫：通過我們微調的3D感知模型MV-LLaVA，對生成的多視圖圖像進行嚴格的質量篩選。篩選過程不僅過濾掉低質量的數據，還重寫描述文本，使其更加準確和詳細。

通過這個數據構建Pipeline，Bootstrap3D能夠生成大量高質量的3D圖像數據，為多視圖擴散模型的訓練提供了堅實的基礎。

這一創新不僅解決了3D數據稀缺的問題，還顯著提升了模型的生成效果和對文本提示的響應能力。

訓練timestep重安排（TTR）

團隊還提出了一種創新的訓練timestep重新安排策略（TTR），以解決多視圖擴散模型訓練中的圖像質量和視圖一致性問題。

TTR策略的核心理念是在訓練過程中靈活調整合成數據和真實數據的訓練時間步，從而優化去噪過程的不同階段。

去噪過程的階段性特征：在擴散模型中，去噪過程通常分為不同的時間步。在早期時間步，去噪過程主要關注圖像的整體結構和形狀（低頻成分）；在后期時間步，則主要生成圖像的細節和紋理（高頻成分）。這種階段性特征為我們提供了調整訓練策略的機會。

限制合成數據的訓練時間步：由于合成數據可能存在一些模糊和失真，我們在訓練時限制其時間步范圍。具體來說，我們讓合成數據主要參與早期的去噪階段，確保它們對整體結構的貢獻，而將后期的細節生成留給質量更高的真實數據。

分階段訓練策略：通過將合成數據限制在較大的時間步范圍內（如200到1000步），我們確保這些數據在去噪過程中主要影響圖像的低頻成分，從而保持視圖一致性。同時，真實數據則參與所有時間步的訓練，以提供高頻細節和真實感。這樣的分階段訓練策略有效平衡了圖像質量和視圖一致性。

實驗證明效果顯著：廣泛的實驗結果表明，使用TTR策略的多視圖擴散模型在圖像-文本對齊、圖像質量和視圖一致性方面均表現優異。該策略不僅保留了原始2D擴散模型的優點，還顯著提升了多視圖生成的效果。

通過訓練時間步重新安排策略（TTR），Bootstrap3D框架成功解決了合成數據質量參差不齊的問題，顯著提升了多視圖擴散模型的性能，為高質量3D內容生成奠定了堅實基礎。

好了，Bootstrap3D生成的數據集已經全面開源，任何研究人員和開發者都可以免費訪問和使用。

論文地址：https://arxiv.org/abs/2406.00093/。
項目主頁：https://sunzey.github.io/Bootstrap3D/。
數據集地址：https://huggingface.co/datasets/Zery/BS-Objaverse/。