Stability AI发布了Stable Video 3D (SV3D)，这是一种基于稳定视频扩散的生成模型，推动了3D技术领域的发展，并大大提高了质量和视图一致性。

该版本有两个版本:

SV3D_u:该变体基于单图像输入生成轨道视频，无需相机调节。
SV3D_p:扩展SVD3_u的功能，此变体可容纳单图像和轨道视图，允许沿着指定的相机路径创建3D视频。

Stable Video 3D现在可以用于商业目的与稳定的AI会员。对于非商业用途，可以在huggingface上下载模型权重并查看论文。

论文阅读

摘要

论文提出了稳定视频3D (SV3D)，一种潜在的视频扩散模型，用于高分辨率，图像到多视图生成围绕3D物体的轨道视频。最近的工作三维生成方面，提出了将二维生成模型用于新视图合成(NVS)和三维优化的技术。

然而，这些方法有几个缺点由于有限的视角或不一致的NVS，从而影响了3D对象生成的性能。在这个在本文中，我们提出了基于图像到视频扩散模型的SV3D，用于新的多视图合成和3D生成，从而利用了泛化和多视图视频模型的一致性，同时进一步为NVS添加显式摄像机控制。

我们还建议改进使用SV3D及其NVS输出进行图像到3D生成的3D优化技术。大量的实验在2D和3D指标的多个数据集上的结果用户研究证明了SV3D在NVS和3D重建方面的最先进性能。

方法

SV3D架构

SV3D建立在SVD的基础上，SVD由多层UNet组成，每层包含一个带有Conv3D层的残差块和两个变压器块的序列(空间和时间)有注意层。

我们删除了"fps id"和"motion bucket id "的向量条件，因为它们与SV3D无关。
条件反射图像通过SVD的VAE编码器嵌入到隐空间后，与UNet在噪声时间步长t处的噪声潜状态输入z t连接。
将条件图像的CLIPembedding矩阵作为其键和值提供给每个transformer块的交叉注意力层。
将摄像机轨迹连同扩散噪声时间步长一起输入到残差块中。首先，将摄像机姿态角度ei和ai以及噪声时间步长t嵌入到正弦位置嵌入中。然后，将相机姿态嵌入连接在一起，进行线性变换，并将其添加到噪声时间步嵌入中。这被馈送到每个残差块，在那里它们被添加到块的输出特征中。

实验结果

Stable Video 3D引入了3D生成的重大进步，特别是在新视图合成(NVS)方面。不像以前的方法，往往与有限的视角和输出不一致，稳定的视频3D能够提供连贯的观点，从任何给定的角度与熟练的泛化。这种能力不仅增强了姿态可控性，而且确保了跨多个视图的一致对象外观，进一步提高了逼真和准确的3D生成的关键方面。