See3D - 智源研究院开源的无标注视频学习3D生成模型

See3D是什么

See3D（See Video, Get 3D）是北京智源人工智能研究院推出的3D生成模型，靠大规模无标注的互联网视频学习，实现从视频生成3D内容。传统3D生成模型依赖相机参数，See3D改用视觉条件技术，只凭视频里的视觉线索就能生成相机方向可控、几何一致的多视角图像，省去了昂贵的3D或相机标注，可以从互联网视频里高效学习3D先验。See3D支持从文本、单视图和稀疏视图到3D的生成，能进行3D编辑与高斯渲染。

See3D的主要功能

• 从文本、单视图和稀疏视图到3D的生成：See3D可以根据文本描述、单个视角的图片或者少量图片生成3D内容。
• 3D编辑与高斯渲染：模型支持编辑生成的3D内容，并用高斯渲染技术提升渲染效果。
• 解锁3D互动世界：输入一张图片就能生成沉浸式可交互的3D场景，用户可以实时探索真实的空间结构。
• 基于稀疏图片的3D重建：输入少量图片（3到6张），模型就能重建出精细的3D场景。
• 开放世界3D生成：模型按文本提示生成艺术化风格的图片，再基于这张图片生成虚拟的3D场景。
• 基于单视图的3D生成：只需要一张真实场景的图片，模型就能生成逼真的3D场景。

See3D的技术原理

• 视觉条件技术：See3D不依赖传统的相机参数，借助视觉条件技术，从视频中的视觉线索生成相机方向可控、几何一致的多视角图像。
• 大规模无标注视频学习：See3D能从互联网视频里高效学到3D先验，不需要昂贵的3D或相机标注。
• 数据集构建：团队构建了一个高质量、多样化的大规模多视角图像数据集WebVi3D，涵盖来自1600万个视频片段的3.2亿帧图像，借助自动化流程，数据集能随互联网视频量的增长持续扩充。
• 多视图扩散模型训练：See3D引入了一种新的视觉条件：向掩码视频数据添加时间依赖噪声，生成纯粹的2D归纳视觉信号，支持可扩展的多视图扩散模型（MVD）训练，摆脱了对相机条件的依赖，做到“仅通过视觉获得3D”。
• 3D生成框架：See3D学到的3D先验能支撑一系列3D创作应用，包括基于单视图的3D生成、稀疏视图重建以及开放世界场景中的3D编辑等，还支持物体级与场景级复杂相机轨迹下的长序列视图生成。

See3D的项目地址

• 项目官网：https://vision.baai.ac.cn/see3d
• Github仓库：https://github.com/baaivision/See3D
• arXiv技术论文：https://arxiv.org/pdf/2412.06699

See3D的应用场景

• 游戏开发：AI生成的3D模型可以用来制作游戏里的角色、环境和对象，开发效率上去了，成本也降下来。
• 建筑设计：在建筑设计中，AI可以生成建筑模型，帮助设计师快速构思和修改设计方案。
• 电商：在线零售可以用AI生成的3D模型做产品展示，改善用户挑选商品时的购物体验。
• AR/VR：在AR/VR领域，AI生成的3D模型可以用来搭建逼真的虚拟环境和角色，沉浸感更强。
• 电影和娱乐：AI可以帮助电影制作人通过替换真人角色来创建CG角色，简化特效制作流程。
• 工业设计：AI生成的3D模型可以用于模拟工业产品的设计，让产品开发进程更快。