文|硅兔賽跑 Chengxi
編輯|蔓蔓周
過去18個月，AI內(nèi)容生成（AIGC）是無疑是硅谷科技創(chuàng)投圈內(nèi)最火爆、最熱門的話題。
DALL-E（2021年1月推出）
Midjourney（2022年7月推出）
Stable Diffusion（2022年8月推出）
這類2D生成式工具，能夠在短短幾秒內(nèi)將文本提示（prompt）生成藝術(shù)風格的圖片。隨著這類2D AIGC工具的演化和進步，藝術(shù)家、設計師和游戲工作室的創(chuàng)作工作流正在被迅速顛覆革新。
AIGC的下一個突破口在哪？不少投資者和領域資深人士都給出了預測 — 3D數(shù)據(jù)生成。
我們注意到3D AIGC正在經(jīng)歷著2D AIGC曾經(jīng)發(fā)展過的階段。這篇文章中，我們將更深入地討論AIGC在3D數(shù)據(jù)領域的新突破，以及展望生成式AI工具如何提高3D數(shù)據(jù)生成的效率和創(chuàng)新。
回顧2D AIGC的高速發(fā)展
2D AIGC的發(fā)展可以簡單概括為以下三個發(fā)展階段：
第一階段：智能圖像編輯
早在2014年，隨著生成對抗網(wǎng)絡（GAN，典型后續(xù)工作StyleGAN）和變分自編碼器（VAE，典型后續(xù)工作VQVAE，alignDRAW）的提出，AI模型便開始被廣泛運用到2D圖片的智能生成與編輯中。早期的AI模型主要被用于學習一些相對簡單的圖像分布或者進行一些圖像編輯，常見的應用包括：人臉生成、圖像風格遷移、圖像超分辨率、圖像補全和可控圖像編輯。
但早期的圖像生成/編輯網(wǎng)絡與文本的多模態(tài)交互非常有限。此外，GAN網(wǎng)絡通常較難訓練，常遇到模式坍塌（mode collapse）和不穩(wěn)定等問題，生成的數(shù)據(jù)通常多樣性較差，模型容量也決定了可利用數(shù)據(jù)規(guī)模的上限；VAE則常遇到生成的圖像模糊等問題。
第二階段：文生圖模型的飛躍
隨著擴散生成（diffusion）技術(shù)的突破、大規(guī)模多模態(tài)數(shù)據(jù)集（如LAION數(shù)據(jù)集）和多模態(tài)表征模型（如OpenAI發(fā)布的CLIP模型）的出現(xiàn)與發(fā)展，2D圖像生成領域在2021年前后取得重要進展。圖像生成模型開始與文本進行深入的交互，大規(guī)模文生圖模型驚艷登場。
當OpenAI在2021年初發(fā)布DALL-E時，AIGC技術(shù)開始真正顯現(xiàn)出巨大的商業(yè)潛力。DALL-E可以從任意的文本提示中生成真實和復雜的圖像，并且成功率大大提高。一年之內(nèi)，大量文生圖模型迅速跟進，包括DALL-E 2（于2022年4月升級）和Imagen（谷歌于2022年5月發(fā)布）。雖然這些技術(shù)當時還無法高效幫助藝術(shù)創(chuàng)作者產(chǎn)出能夠直接投入生產(chǎn)的內(nèi)容，但它們已經(jīng)吸引了公眾的注意，激發(fā)了藝術(shù)家、設計師和游戲工作室的創(chuàng)造力和生產(chǎn)潛力。
第三階段：從驚艷到生產(chǎn)力
隨著技術(shù)細節(jié)上的完善和工程優(yōu)化上的迭代，2D AIGC得到迅猛發(fā)展。到2022年下半年，Midjourney、Stable Diffusion等模型已成為了廣受歡迎的AIGC工具。他們通過大規(guī)模的訓練數(shù)據(jù)集的驅(qū)動，使得AIGC技術(shù)在現(xiàn)實世界應用中的性能已經(jīng)讓媒體、廣告和游戲行業(yè)的早期采用者受益。此外，大模型微調(diào)技術(shù)的出現(xiàn)與發(fā)展（如ControlNet和LoRA）也使得人們能夠根據(jù)自己的實際需求和少量訓練數(shù)據(jù)來“自定義”調(diào)整、擴展AI大模型，更好地適應不同的具體應用（如二次元風格化、logo生成、二維碼生成等）。
現(xiàn)在，使用AIGC工具進行創(chuàng)意和原型設計很多情況下只需幾小時甚至更短，而不是過去需要的幾天或幾周。雖然大多數(shù)專業(yè)的圖形設計師仍然會修改或重新創(chuàng)建AI生成的草圖，但個人博客或廣告直接使用AI生成的圖像的情況越來越普遍。
alignDRAW, DALL-E 2, 和Midjourney 文本轉(zhuǎn)圖像的不同效果。
除了文本轉(zhuǎn)圖像，2D AIGC持續(xù)有更多的最新發(fā)展。例如，Midjourney和其他創(chuàng)業(yè)公司如Runway和Phenaki正在開發(fā)文本到視頻的功能。此外，Zero-1-to-3已經(jīng)提出了一種從物體的單一2D圖像生成其在不同視角下對應圖片的方法。
由于游戲和機器人產(chǎn)業(yè)對3D數(shù)據(jù)的需求不斷增長，目前關于AIGC的前沿研究正在逐漸向3D數(shù)據(jù)生成轉(zhuǎn)移。我們預計3D AIGC會有類似的發(fā)展模式。
3D AIGC的“DALL-E”時刻
近期在3D領域的種種技術(shù)突破告訴我們，3D AIGC的“DALL-E”時刻正在到來！
從2021年末的DreamFields到2022年下半年的DreamFusion和Magic3D，再到今年五月的ProlificDreamer，得益于多模態(tài)領域和文生圖模型的發(fā)展，學術(shù)界文生3D模型也得到了不少突破。不少方法都能夠從輸入文本生成高質(zhì)量的3D模型。
然而這些早期探索大多數(shù)需要在生成每一個3D模型時，都從頭優(yōu)化一個3D表示，從而使得3D表示對應的各個2D視角都符合輸入和先驗模型的期待。由于這樣的優(yōu)化通常需要成千上萬次迭代，因此通常非常耗時。例如，在Magic3D中生成單個3D網(wǎng)格模型可能需要長達40分鐘，ProlificDreamer則需要數(shù)小時。此外，3D生成的一個巨大挑戰(zhàn)便是3D模型必須具備從不同角度看物體形狀的一致性?，F(xiàn)有的3D AIGC方法常遇到雅努斯問題（Janus Problem），即AI生成的3D對象有多個頭或者多個面。
由于ProlificDreamer缺乏3D形狀一致性而出現(xiàn)的雅努斯問題。左邊是一只看似正常的藍鳥的正面視圖。右邊是一幅令人困惑的圖像，描繪了一只有雙面的鳥。
但另外一方面，一些團隊正在嘗試突破現(xiàn)有的基于優(yōu)化的生成范式，通過單次前向預測的技術(shù)路線來生成3D模型，這大大提高了3D生成速度和準確度。這些方法包括Point-E和Shap-E（分別于2022年和2023年由OpenAI發(fā)布）和One-2–3–45（2023年由加州大學圣地亞哥分校發(fā)布）。特別值得注意的是，最近一個月發(fā)布的One-2–3–45能夠在僅45秒的時間內(nèi)從2D圖像生成高質(zhì)量和具備一致性的3D網(wǎng)格！
對單圖像到3D網(wǎng)格方法的比較分析。從左到右，我們可以觀察到，處理時間從超過一個小時大幅度減少到不到一分鐘。Point-E、Shap-E和One-2–3–45在速度和準確性上都有出色表現(xiàn)。
這些3D AIGC領域最新的技術(shù)突破，不僅大大提高了生成速度和質(zhì)量，同時讓用戶的輸入也變得更加靈活。用戶既可以通過文本提示進行輸入，也可以通過信息量更加豐富的單張2D圖像來生成想要的3D模型。這大大擴展了3D AIGC在商業(yè)應用方面的可能性。
AI革新3D生產(chǎn)過程
首先，讓我們了解一下傳統(tǒng)3D設計師創(chuàng)建3D模型，所需要經(jīng)歷的工作流程：
1.概念草圖：概念藝術(shù)設計師根據(jù)客戶輸入和視覺參考進行頭腦風暴和構(gòu)思所需的模型。
2.3D原型制作：模型設計師使用專業(yè)軟件創(chuàng)建模型的基本形狀，并根據(jù)客戶反饋進行迭代。
3.模型細化：將細節(jié)、顏色、紋理和動畫屬性（如綁定、照明等）添加到粗糙的3D模型中。
4.模型最終定型：設計師使用圖像編輯軟件增強最終的渲染效果，調(diào)整顏色，添加效果，或進行元素合成。
這個過程通常需要幾周的時間，如果涉及到動畫，甚至可能需要更長。然而，如果有AI的幫助，上述每個步驟都可能會更快。
1.強大的多視圖圖像生成器（例如，基于Stable Diffusion和Midjourney的Zero-1–to–3）有助于進行創(chuàng)意頭腦風暴，并生成多視圖圖像草圖。
2.文本到3D或圖像到3D技術(shù)（例如，One-2–3–45或Shap-E）可以在幾分鐘內(nèi)生成多個3D原型，為設計師提供了廣泛的選擇空間。
3.利用3D模型優(yōu)化（例如，Magic 3D或ProlificDreamer），選定的原型可以在幾小時內(nèi)自動進行精煉。
4.一旦精煉的模型準備好，3D設計師就可以進一步設計并完成高保真模型。
傳統(tǒng)與AI驅(qū)動的3D生產(chǎn)工作流程對比
3D AIGC是否會取代人類？
我們的結(jié)論是，暫時不會。人仍然是3D AIGC環(huán)節(jié)中不可缺失的一環(huán)。
盡管以上提到的3D模型生成技術(shù)，能在機器人技術(shù)、自動駕駛和3D游戲中有許多應用，然而目前的生產(chǎn)流程仍然不能滿足廣泛的應用。
為此，硅兔君采訪了來自加州大學圣迭戈分校的蘇昊教授，他是3D深度學習（3D Deep Learning）和具身人工智能（Embodied AI）領域的領軍專家，也是One-2–3–45模型的作者之一。蘇昊教授認為，目前3D生成模型的主要瓶頸是缺乏大量高質(zhì)量的3D數(shù)據(jù)集。目前常用的3D數(shù)據(jù)集如ShapeNet（約52K 3D網(wǎng)格）或Objaverse（約800K 3D模型）包含的模型數(shù)量和細節(jié)質(zhì)量都有待提升。尤其是比起2D領域的大數(shù)據(jù)集（例如，LAION-5B），它們的數(shù)據(jù)量仍然遠不夠來訓練3D大模型。
蘇昊教授曾師從幾何計算的先驅(qū)、美國三院院士Leonidas Guibas教授，并曾作為早期貢獻者參與了李飛飛教授領導的ImageNet項目。受到他們的啟發(fā)，蘇昊教授強調(diào)廣泛的3D數(shù)據(jù)集在推進技術(shù)方面的關鍵作用，為3D深度學習領域的出現(xiàn)和繁榮做出了奠基性工作。
此外，3D模型遠比2D圖像的復雜很多，例如:
1.部件結(jié)構(gòu)：游戲或數(shù)字孿生應用需要3D對象的結(jié)構(gòu)化部件（例如，PartNet），而不是單一的3D網(wǎng)格；
2.關節(jié)和綁定：與3D對象互動的關鍵屬性；
3.紋理和材料：例如反光率、表面摩擦系數(shù)、密度分布、楊氏模量等支持交互的關鍵性質(zhì)；
4.操作和操控：讓設計師能夠?qū)?D模型進行更有效地交互和操縱。
而以上幾點，就是人類專業(yè)知識能夠繼續(xù)發(fā)揮重要作用的地方。
蘇昊教授認為，在未來，AI驅(qū)動的3D數(shù)據(jù)生成應具有以下特性：
1.支持生成支撐交互性應用的3D模型，這種交互既包括物體與物體的物理交互（如碰撞），也包括人與物體的交互（物理與非物理的交互方式），使得3D數(shù)據(jù)在游戲、元宇宙、物理仿真等場景下能夠被廣泛應用；
2.支持AI輔助的3D內(nèi)容生成，使得建模的生產(chǎn)效率更高；
3.支持Human-in-the-loop的創(chuàng)作過程，利用人類藝術(shù)天賦提升生成數(shù)據(jù)的質(zhì)量，從而進一步提升建模性能，形成閉環(huán)的數(shù)據(jù)飛輪效應。
類似于過去18個月來像DALL-E和ChatGPT這樣的技術(shù)所取得的驚人發(fā)展，我們堅信在3D AIGC領域即將發(fā)生，其創(chuàng)新和應用極有可能會超過我們的預期，硅兔君會持續(xù)深入探索和輸出。