Consistency^2：基于潜在一致性模型的一致且快速3D绘画
计算机视觉与模式识别
2024-06-18 v1 图形学
摘要
生成式3D绘画是高分辨率3D资产管理和循环利用中的顶级生产力提升器。自从文本到图像模型变得可访问于推理消费硬件上后，3D绘画方法的性能持续不断地接近平台期。大多数此类模型的核心都包含在潜空间中进行去噪扩散，这是一种固有耗时的迭代过程。最近开发了多种技术来加速生成并将采样迭代次数降低几个数量级。这些技术设计用于2D生成式成像，却没有为将其提升至3D提供配方。在本文中，我们提出了一种针对该任务的潜在一致性模型(LCM)适应方案。我们分析了所提出模型的优势与不足，并对其进行定量和定性评估。基于Objaverse数据集样本的研究表明，我们的3D绘画方法在所有评估中均获得了强烈偏好。源代码可在https://github.com/kongdai123/consistency2 上获取。
引用
@article{arxiv.2406.11202,
title = {Consistency^2: Consistent and Fast 3D Painting with Latent Consistency Models},
author = {Tianfu Wang and Anton Obukhov and Konrad Schindler},
journal= {arXiv preprint arXiv:2406.11202},
year = {2024}
}