2022年，生成模型（Generative models）取得了巨大的進展。不僅可以從自然語言提示中生成逼真的 2D 圖像，也在合成影片和 3D 形狀生成方面有著不俗的表現。
雖然目前的生成模型可以生成靜態的 3D 物件，但合成動態場景更加複雜。而且，由於目前缺少現成的 4D 模型集合（無論是有或沒有文字注釋），相比於 2D 圖像和產生影片，由文字到 4D 的生成更加困難。
那麼，如何基於簡單的文字直接產生複雜的 3D 動態場景呢？
一種可能的方法是，從預先訓練好的 2D 影片產生器開始，從產生的影片中提取 4D 重建。然而，從影片中重建可變形物體的形狀是一項非常具有挑戰性的工作。
近日，來自 Meta 的研究團隊結合影片和 3D 生成模型的優點，提出了一個新的文字到 4D（3D+時間）生成系統——MAV3D（Make-A-Video3D）。
據介紹，該方法使用 4D 動態神經輻射場（NeRF），透過查詢基於文字到影片（T2V）的擴散模型，對場景外觀、密度和運動一致性進行了最佳化。
同時，由特定文字生成的動態影片可以從任何攝影機位置和角度觀看，並且可以合成到任何 3D 環境中。
研究團隊表示，MAV3D 是第一個基於文字描述產生 3D 動態場景的方法，可以為電玩遊戲、視覺效果或 AR/VR 產生動畫 3D 資產。相關研究論文以「Text-To-4D Dynamic Scene Generation」為題，已發表在預印本網站 arXiv 上。
據論文描述，MAV3D 的實現不需要任何 3D 或 4D 資料，而且 T2V 模型也只是在文字-圖像對和未標記的影片資料上訓練的。
以往研究證明，僅僅使用影片生成器最佳化動態 NeRF 不會產生令人滿意的結果。為了實現由文字到 4D 的目標，必須克服以下 3 個挑戰：
- 找到一個端到端、高效且可學習的動態 3D 場景的有效表示；
- 有一個監督來源，因為沒有可供學習的大規模（文字，4D）資料集。
- 需要在空間和時間上縮放輸出的解析度，因為 4D 輸出域是記憶體密集型的和運算密集型的。
那麼，由簡單的文字描述到複雜的 3D 動態場景生成，具體是如何實現的呢？
首先，研究團隊僅充分利用了三個純空間平面（綠色），算繪單個圖像，並使用 T2I 模型運算 SDS 損失。
然後，他們添加了額外的三個平面（橙色，初始化為零以實現平滑過渡），算繪完整的影片，並使用 T2V 模型運算 SDS-T 損失。
最後，即超解析度微調（SRFT）階段，他們額外算繪了高解析度影片，並將其作為輸入傳遞給超解析度元件。
另外，MAV3D 也可以完成由圖像到 4D 應用的轉換。給定一個輸入圖像，透過提取它的 CLIP embedding，並以此來約束（condition）MAV3D。
然而，這一方法也存在一定的局限性。例如，在即時應用中，將動態 NeRF 轉換為不相交網格序列的效率很低。研究團隊認為，如果直接預測頂點的軌跡，或許可以改進。
此外，利用超解析度資訊已經提高了展示的品質，但對於更高細節的紋理還需要進一步改進。
最後，表示的品質取決於 T2V 模型從各種視圖生成影片的能力。雖然使用依賴於視圖的提示有助於緩解多面問題，但進一步控制影片產生器將是有幫助的。
資料來源：
加入電腦王Facebook粉絲團