【Intel CVPR 2024】通过图像扩散模型生成高质量360度场景，只需要一个语言模型

在当前人工智能取得突破性进展的时代，从单一输入图像生成全景场景仍是一项关键挑战。大多数现有方法都使用基于扩散的迭代或同步多视角内绘。然而，由于缺乏全局场景布局先验，导致输出结果存在重复对象（如卧室中的多张床），或者每个视图都需要耗时的人工文本输入。我们提出的 L-MAGIC 是一种新型方法，它利用大型语言模型进行引导，同时扩散 360 度全景场景的多个连贯视图。L-MAGIC 利用预先训练好的扩散和语言模型，无需微调，确保零误差性能。超分辨率和多视图融合技术进一步提高了输出质量。广泛的实验证明，与相关研究相比，所生成的全景场景具有更好的场景布局和透视图渲染质量，在人类评估中的优越性大于 70%。结合条件扩散模型，L-MAGIC 可以接受各种输入模式，包括但不限于文本、深度图、草图和彩色脚本。通过深度估计，还能生成三维点云，并利用摄像机的流体运动进行动态场景探索。

Pipeline

论文：https://arxiv.org/pdf/2406.01843

项目：https://zhipengcai.github.io/MMPano/

Github：https://github.com/IntelLabs/MMPano

方法

L-MAGIC 是一个结合了语言模型及扩散模型的场景生成框架。L-MAGIC 通过自然图像连接各类不同模态的输入。当输入不是一张自然图像时，L-MAGIC 使用成熟的条件扩散模型如 ControlNet 从各种模态的输入（文字，手绘草图，深度图等等）生成一张自然图像。

在获得自然图像之后，L-MAGIC 通过 iterative warping and inpainting 来生成 360 度场景的多个视角。在每一个 iteration 中，warping step 将已生成的多视角 warp 到一个新的视角，实例中的黑色部分代表新视角中的缺失像素。Inpainting step 使用基于扩散的图像 inpainting 模型（Stable Diffusion v2）生成缺失像素。为了使图像扩散模型能够生成多样的全局场景结构，L-MAGIC 使用语言模型控制扩散模型在每个视角需要生成的场景内容。

除了生成 360 度场景的全景图，利用深度估计模型，L-MAGIC 还能够生成包含相机旋转及平移的沉浸式视频，以及场景的三维点云。由于无需微调，L-MAGIC 能够有效地保持语言及扩散模型的泛化性，实现多样化场景的高质量生成。

L-MAGIC 的核心是使用语言模型全自动地控制扩散模型。

使用 ChatGPT 作为 LLM 控制器可以获得最佳性能，这需要您申请 OpenAI API 密钥。

如果您所在地区无法访问 ChatGPT API，我们还提供了使用免费开源 LLM 控制器（如 Llama3）的方法。有关如何启用的说明，请参阅下文。您可能需要设置 HF_TOKEN 或传递 huggingface 令牌。你也可以自由贡献代码，启用其他 LLM。

python3 mm_pano/mmpano.py \
  --init_image exp/example/0.png \
  --output_folder exp/outputs \
  --dtype bfloat16 --device hpu \
  --llm_model_name gpt-4 \
  --api_key  \
  --save_pano_img \  # To save the generated panorama picture
  --gen_video  # To generate and save the video

详情请看github