Surf-D:使用扩散模型生成任意拓扑的高质量表面(ECCV 2024)

Surf-D:使用扩散模型生成任意拓扑的高质量表面<br> 项目页面 | 论文

这是使用PyTorch的Surf-D官方实现

我们提出了Surf-D,一种使用扩散模型生成任意拓扑的高质量3D形状作为表面的新方法。先前的方法探索了不同表示的形状生成,但它们受限于有限的拓扑和较差的几何细节。为了生成任意拓扑的高质量表面,我们使用无符号距离场(UDF)作为我们的表面表示,以适应任意拓扑。此外,我们提出了一种新的管道,采用基于点的自编码器来学习一个紧凑和连续的潜在空间,以准确编码UDF并支持高分辨率网格提取。我们进一步表明,我们的新管道在学习距离场方面显著优于先前的方法,例如基于网格的自编码器,后者不可扩展且无法学习准确的UDF。此外,我们采用课程学习策略来高效嵌入各种表面。利用预训练的形状潜在空间,我们采用潜在扩散模型来获取各种形状的分布。我们在无条件生成、类别条件生成、图像条件生成和文本到形状任务上进行了广泛的实验。实验表明,Surf-D在多种模态条件下的形状生成方面表现出色。

安装

我们建议使用Anaconda。

创建并激活虚拟环境。

conda env create -f environment.yaml
conda activate SurfD

cd meshudf
python3 setup.py build_ext --inplace

下载预训练模型

在谷歌云盘下载我们的预训练模型。

从扩散中生成:

无条件生成:

python -m sample.generate_uncond \
    --model_path pretrained_models/diffusion_uncond.pt \
    --output_dir ./outputs/uncond/ \
    --cond_mode no_cond \
    --ae_dir pretrained_models/ae_deepfashion3d.pt  \
    --num_samples 10 \
    --resolution 512

草图条件生成:

python -m sample.generate_sketch \
    --model_path pretrained_models/diffusion_sketch.pt \
    --output_dir ./outputs/sketch_cond/ \
    --cond_mode sketch \
    --ae_dir pretrained_models/ae_deepfashion3d.pt \
    --sketch_path demo_images/sketch.png \
    --resolution 512

图像条件生成:

python -m sample.generate_image \
    --model_path pretrained_models/diffusion_image.pt \
    --output_dir ./outputs/image_cond/ \
    --cond_mode img \
    --ae_dir pretrained_models/ae_pix3d.pt \
    --image_path demo_images/image.jpg \
    --mask_path demo_images/mask.jpg \
    --resolution 512

文本条件生成:

python -m sample.generate_text \
    --model_path pretrained_models/diffusion_text.pt \
    --output_dir ./outputs/text_cond/ \
    --cond_mode text \
    --ae_dir pretrained_models/ae_text.pt  \
    --prompt "一把餐椅" \
    --watertight --num_samples 10 \
    --resolution 512

训练

准备数据集

在DeepFashion3D下载DeepFashion3D数据集,在Pix3D下载Pix3D数据集,在ShapeNet下载ShapeNet数据集。

预处理数据集

cd AutoEncoder/encdc
python preprocess_udfs.py /path/to/data_root /path/to/output dataset_name

自编码器训练:

cd AutoEncoder/encdc

python train_encdec.py ../cfg/xxx/xxx.yaml

扩散训练:

python train_diffcloth.py --cond_mode no_cond --save_dir xxx --overwrite --data_dir xxx --ae_dir xxx --log_interval 25 --save_interval 10000 --dataset deepfashion3d

致谢

我们的代码参考了MDM、SDFusion、DrapeNet、MeshUDF、Stable Diffusion。我们感谢这些作者的杰出工作和开源贡献。

引用

如果您发现这项工作对您的研究有用,请考虑引用我们的论文:

@article{yu2023surf,
  title={Surf-D: High-Quality Surface Generation for Arbitrary Topologies using Diffusion Models},
  author={Yu, Zhengming and Dou, Zhiyang and Long, Xiaoxiao and Lin, Cheng and Li, Zekun and Liu, Yuan and M{\"u}ller, Norman and Komura, Taku and Habermann, Marc and Theobalt, Christian and others},
  journal={arXiv preprint arXiv:2311.17050},
  year={2023}
}