BlockFusion: Expandable 3D Scene Generation using Latent Tri-plane Extrapolation

要約

BlockFusion は、3D シーンを単位ブロックとして生成し、新しいブロックをシームレスに組み込んでシーンを拡張する拡散ベースのモデルです。
BlockFusion は、完全な 3D シーン メッシュからランダムに切り取られた 3D ブロックのデータセットを使用してトレーニングされます。
ブロックごとのフィッティングを通じて、すべてのトレーニング ブロックがハイブリッド ニューラル フィールドに変換されます。つまり、ジオメトリ特徴を含むトライプレーンと、それに続く符号付き距離値をデコードするための多層パーセプトロン (MLP) が使用されます。
変分オートエンコーダを使用してトライプレーンを潜在トライプレーン空間に圧縮し、その上でノイズ除去拡散プロセスが実行されます。
潜在表現に拡散を適用することで、高品質かつ多様な 3D シーンの生成が可能になります。
生成中にシーンを拡張するには、空のブロックを追加して現在のシーンとオーバーラップし、既存の潜在トライプレーンを外挿して新しいブロックを設定するだけです。
外挿は、ノイズ除去の反復中に重複するトライプレーンからの特徴サンプルを使用して生成プロセスを調整することによって行われます。
潜在的なトライプレーン外挿により、既存のシーンと調和してブレンドされる、意味的および幾何学的に意味のあるトランジションが生成されます。
2D レイアウト調整メカニズムを使用して、シーン要素の配置と配置を制御します。
実験結果は、BlockFusion が屋内と屋外の両方のシナリオで、前例のない高品質の形状を持つ、多様で幾何学的に一貫性があり、境界のない大規模な 3D シーンを生成できることを示しています。

要約(オリジナル)

We present BlockFusion, a diffusion-based model that generates 3D scenes as unit blocks and seamlessly incorporates new blocks to extend the scene. BlockFusion is trained using datasets of 3D blocks that are randomly cropped from complete 3D scene meshes. Through per-block fitting, all training blocks are converted into the hybrid neural fields: with a tri-plane containing the geometry features, followed by a Multi-layer Perceptron (MLP) for decoding the signed distance values. A variational auto-encoder is employed to compress the tri-planes into the latent tri-plane space, on which the denoising diffusion process is performed. Diffusion applied to the latent representations allows for high-quality and diverse 3D scene generation. To expand a scene during generation, one needs only to append empty blocks to overlap with the current scene and extrapolate existing latent tri-planes to populate new blocks. The extrapolation is done by conditioning the generation process with the feature samples from the overlapping tri-planes during the denoising iterations. Latent tri-plane extrapolation produces semantically and geometrically meaningful transitions that harmoniously blend with the existing scene. A 2D layout conditioning mechanism is used to control the placement and arrangement of scene elements. Experimental results indicate that BlockFusion is capable of generating diverse, geometrically consistent and unbounded large 3D scenes with unprecedented high-quality shapes in both indoor and outdoor scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google