斯坦福吳佳俊團隊與MIT攜手打造的最新研究成果，讓我們離實時生成開放世界游戲又近了一大步。

從單一圖像出發(fā)，在用戶的實時交互下生成無限延展的3D場景：

只需上傳一張圖片，就能踏入一個由AI創(chuàng)造的虛擬世界。用戶可以通過移動視角和輸入文本提示，實時決定接下來要探索的方向和場景內容：

從鳥瞰圖的視角，可以清晰看到虛擬世界的生成過程：

無論是魔幻森林、現(xiàn)實都市，還是寧靜鄉(xiāng)村，WonderWorld都能在眨眼間為你呈現(xiàn)：

這項工作名為WonderWorld，由斯坦福吳佳俊團隊和MIT聯(lián)合打造。

WonderWorld的項目主頁上還有能以第一視角移動的交互式場景：

資深游戲創(chuàng)業(yè)者，GOAT Gamin的首席AI官興奮地表示：“它還能對非真實感的圖片work。有無限多的可能性！”

在硅谷廣受歡迎的Hacker News上，WonderWorld也一度被放在頭版討論：

要知道，之前的生成式AI方法都需要數(shù)十分鐘甚至若干小時才能生成一個單獨的場景，WonderWorld的速度可謂打開了交互式新世界的大門。

那這究竟是如何做到的？

交互式生成 3D 世界

要讓用戶來控制生成一個3D世界，最核心的難點在于生成速度。先前的AI生成3D場景的方法大都需要先逐步生成許多目標場景的2D圖片來補全被遮擋的部分，然后再優(yōu)化得到一個3D場景的表示。這個過程耗時頗多。

WonderWorld的核心突破在于其驚人的速度。

研究團隊開發(fā)的FLAGS (Fast LAyered Gaussian Surfels) 場景表示方法，使得系統(tǒng)能在短短10秒內生成一個新場景。這一速度比現(xiàn)有方法快了近100倍，真正將交互式3D世界生成推向了實時的門檻。

具體來說，WonderWorld生成新場景時，會先生成一張場景的2D圖片（對于第一個場景則是直接使用輸入圖片），從圖片中生成三張layer images，再從layer images來生成 FLAGS 表示。

FLAGS表示由三層Gaussian surfels組成：天空層，背景層，以及前景層。每一層都從對應的layer image中生成。天空和背景的layer image 都單獨進行了遮擋的補全，因此WonderWorld不需要逐步生成多張圖片。

另外，F(xiàn)LAGS表示的每個Gaussian surfel都唯一對應一個layer image 上的像素，因此它可以使用估計的像素級別幾何信息（如單目深度和單目法向量）來初始化Gaussian surfels的參數(shù)，從而加速其優(yōu)化過程。

最后，WonderWorld 還針對多個3D場景之間經常出現(xiàn)幾何“裂縫”的問題，提出了Guided depth diffusion。核心想法是，利用已經生成的 3D 場景的深度信息作為 guidance，使新生成場景的深度與其一致。只要新舊場景在連接處的深度一致，那么場景的裂縫就得以彌合。

值得一提的是，無論是2D圖片生成還是深度估計模塊，都可以直接采用預訓練模型，因此整個框架不需要任何訓練。

實驗測試

由于先前沒有任何方法可以做到交互式3D場景生成，研究人員采用了連貫3D場景生成的方法WonderJourney，單一場景生成的Text2Room以及LucidDreamer作對比。由于缺乏現(xiàn)有可用評估數(shù)據(jù)集，研究人員生成了28個場景作為測試。

研究人員首先展示了更多的交互式生成的場景，從而說明WonderWorld可以在應用到不同場景類型以及不同視覺風格：

與基準方法的比較表明，WonderWorld明顯優(yōu)于各個方法：

從人類偏好評估的角度，WonderWorld 也顯著更受青睞：

此外，從一張輸入圖片，WonderWorld能夠接受不同的用戶控制，生成不同的場景內容：

作者簡介

該篇論文主要作者來自斯坦福大學吳佳俊團隊。

論文一作俞洪興，斯坦福大學五年級博士生。

主要研究領域為重建可交互的物理世界。他曾獲得 SIGGRAPH Asia 最佳論文獎，高通獎學金，以及 Meta 獎學金和 NVIDIA 獎學金的提名。

吳佳俊，現(xiàn)任斯坦福大學助理教授，隸屬于斯坦福視覺與學習實驗室（SVL）和斯坦福人工智能實驗室（SAIL）。

在麻省理工學院完成博士學位，本科畢業(yè)于清華大學姚班，曾被譽為“清華十大學神”之一。

論文鏈接：https://arxiv.org/pdf/2406.09394