无需3D数据也能训练，港科&港中文联手华为推出3D自动驾驶场景生成模型
同时实现2D数据生成3D场景的可控性与几何一致性
允中 发自 凹非寺
量子位 | 公众号 QbitAI
无需采集3D数据，也能训练出高质量的3D自动驾驶场景生成模型。
这是来自香港中文大学、香港科技大学和华为诺亚方舟实验室的最新研究成果——针对自动驾驶街景的可控3D场景生成方法“MagicDrive3D”。
此前，采用常见的2D自动驾驶数据集来生成3D街景的方法不是没有，但受采集角度所限，生成结果的可控性和几何一致性无法同时满足。而现在，MagicDrive3D通过结合可控生成与场景重建解决了这一限制。
不仅支持多条件控制，还突破了原始数据的局限，即使在原始图像不一致的情况下，也能建立出连贯的高质量模型。
即使场景中有很多物体，生成结果依然真实可靠：
而且支持天气情况的文本控制，可以一键从晴天切换到雨天：
道路结构、物体位置都能够精确控制（随机保留50%车）：
还可以一键实现白天与夜晚的转换（随机保留25%车）：
总之，这项成果解决了自动驾驶等无边界场景下3D场景的高质量模型开发难题，可以有效帮助BEV分割等下游感知任务。
常规驾驶数据即可实现可控场景生成
3D自动驾驶场景生成应用广阔，然而目前3D资产的生成方法通常局限于以物体为中心的生成场景，对于自动驾驶中无界限的大场景生成缺乏探索。
但从应用的角度来说，可控的生成方法在下游应用中价值更高，针对这个痛点，MagicDrive3D提出了一种新颖的框架，在常规的自动驾驶数据集上即可训练出3D场景生成模型，而且支持多种条件控制！
MagicDrive3D继承了前一代MagicDrive诸多优点，其多条件控制可以实现场景、背景和前景的多层次街景图像编辑，用来生成更多的自动驾驶3D场景。
△MagicDrive3D 的多视角渲染能力
而且生成的场景支持多相机视角的渲染，例如全景图渲染：
在目前应用最广泛的nuScenes数据集上，MagicDrive3D在视频生成和场景生成两方面相比于baseline，均表现出明显优势。
△MagicDrive3D的生成效果评估
此外，MagicDrive3D生成的图片还可以直接用于数据增强，可以在BEV分割任务中提升相机参数的鲁棒性。
△MagicDrive3D的生成数据在下游任务的效果
那么，MagicDrive3D究竟是如何做到的呢？
先合成，再重建
随着扩散模型的发展，图片、视频生成的方法层出不穷，但是受限制于现有的数据采集形式，这些方法只能生成固定的相机视角，对场景几何缺乏建模（geometry-free），因而无法拓展到更多视角。
能够支持多视角的重建方法，虽然能够提供几何一致性的保证（geometry-focused），却又受到了真实采集的数据（静态、多视角数据）的限制，常见的自动驾驶数据集根本无法满足这些要求。
为了填补这部分空白，MagicDrive3D提出了一个将视角合成方法与场景重建方法相结合的框架。
该框架充分利用前者的可控性以及后者的几何一致性，实现了接受多种控制条件的3D街景场景合成。
△MagicDrive3D的方法框架
具体来说，MagicDrive3D首先训练了一个细粒度可控的视频生成模型，不仅能够通过语义信息控制，视频中每个视角的相机参数都经过统一坐标系编码，使得生成的多视角视频具备更强的几何一致性。
接着，为了提供更强的几何一致性保证以及多视角渲染，MagicDrive3D提出可形变的高斯泼溅作为场景的3D表征，结合单目深度点云进行重建。
最终得到的驾驶场景能够合理的反应各种控制条件，并且支持任意相机视角的精确渲染。
总的来说，MagicDrive3D带来了一个全新的、高效的可控3D场景生成框架，不仅成功解决了无界限的3D场景生成难题，其可控性更为多种下游任务提供了支持。
相比前序工作MagicDrive，MagicDrive3D不仅提供了多视角渲染能力，生成的场景几何信息也为更多样的场景编辑提供可能。
随着质量和真实性的提升，生成数据将得到更广泛的应用，为自动驾驶技术的发展注入更多活力。
论文地址：
https://arxiv.org/abs/2405.14475
项目主页：
https://gaoruiyuan.com/magicdrive3d/
- 100+大模型综测结果出炉！智源发布FlagEval“百模”评测结果，覆盖文本语音图片视频多种模态2024-12-19
- 新奥程路：AI×能源已到“奇点变革”前夜，仿真大模型是关键｜MEET 20252024-12-17
- 全球首个全模态理解开源端模型：长语音自动总结，图文音啥都会！300%推理速度领先，来自无问芯穹2024-12-16
- AI模仿人类看漫画，视频大模型时序定位能力新SOTA2024-11-23
相关阅读
