虽然三维生成模型极大地改进了艺术家的工作流程,但现有的三维生成扩散模型存在生成速度慢、泛化能力差的问题。 为了解决这个问题,我们提出了一种名为 "Hunyuan3D-1.0 "的两阶段方法,包括精简版和标准版,均支持文本和图像条件生成。
在第一阶段,我们采用多视角扩散模型,在大约 4 秒钟内高效生成多视角 RGB 图像。 这些多视角图像可从不同视角捕捉三维资产的丰富细节,从而将单视角重建任务简化为多视角重建任务。 在第二阶段,我们引入了一个前馈重建模型,它能在大约 7 秒钟内根据生成的多视角图像快速、忠实地重建三维资产。 重建网络学会处理多视角扩散带来的噪音和不一致,并利用条件图像中的可用信息来有效恢复三维结构。
我们的框架涉及文本到图像模型,即浑源-DiT,使其成为支持文本和图像条件三维生成的统一框架。 我们的标准版比精简版和其他现有模型多 3 倍的参数。 我们的浑源 3D-1.0 在速度和质量之间实现了令人印象深刻的平衡,在保持生成资产的质量和多样性的同时,大大缩短了生成时间。
混元3D-1.0 架构
我们对混元3D-1.0与其他开源3D生成方法进行了评估,在5项指标中,我们的混元3D-1.0获得了最高的用户偏好度。 左下角的图片显示,在英伟达™(NVIDIA®)A100 GPU 上,精简版模型生成单张图片的三维网格需要约 10 秒,而标准版模型则需要约 25 秒。 右下角的图表显示,Hunyuan3D-1.0 在质量和效率之间达到了最佳平衡。
代码
bash
git clone https://github.com/tencent/Hunyuan3D-1
cd Hunyuan3D-1
我们提供了用于设置环境的 env_install.sh 脚本文件。 我们推荐使用 python3.9 和 CUDA11.7 以上版本。
bash
conda create -n hunyuan3d-1 python=3.9
conda activate hunyuan3d-1
bash env_install.sh
下载预训练模型
这些模型可从 https://huggingface.co/spaces/tencent/Hunyuan3D-1 网站获取:
Hunyuan3D-1/lite
,多视图生成的精简模型。Hunyuan3D-1/std
,多视图生成的标准模型。Hunyuan3D-1/svrm
,稀疏视图重建模型。
bash
python3 -m pip install "huggingface_hub[cli]"
然后使用以下命令下载模型:
bash
mkdir weights
huggingface-cli download tencent/Hunyuan3D-1 --local-dir ./weights
mkdir weights/hunyuanDiT
huggingface-cli download Tencent-Hunyuan/HunyuanDiT-v1.1-Diffusers-Distilled --local-dir ./weights/hunyuanDiT
推理
对于文本到 3D 的生成,我们支持中英文双语,您可以使用以下命令进行推理。
bash
python3 main.py \
--text_prompt "a lovely rabbit" \
--save_folder ./outputs/test/ \
--max_faces_num 90000 \
--do_texture_mapping \
--do_render
对于图像到 3D 的生成,您可以使用以下命令进行推理。
bash
python3 main.py \
--image_prompt "/path/to/your/image" \
--save_folder ./outputs/test/ \
--max_faces_num 90000 \
--do_texture_mapping \
--do_render
论点 | 默认 | 说明 |
---|---|---|
--text_prompt |
None | 3D生成的文本提示 |
--image_prompt |
None | 3D生成的图像提示 |
--t2i_seed |
0 | 用于生成图像的随机种子 |
--t2i_steps |
25 | 文本到图像采样的步骤数 |
--gen_seed |
0 | 用于生成3d生成的随机种子 |
--gen_steps |
50 | 3d代采样步骤数 |
--max_faces_numm |
90000 | 3d网格的面数限制 |
--save_memory |
False | text2image将自动移至cpu |
--do_texture_mapping |
False | 将顶点阴影更改为纹理阴影 |
--do_render |
False | 渲染gif |
我们还准备了不同配置的脚本供参考
bash
bash scripts/text_to_3d_demo.sh
bash scripts/text_to_3d_fast_demo.sh
bash scripts/image_to_3d_demo.sh
bash scripts/image_to_3d_fast_demo.sh
此示例需要 ~40GB VRAM 才能运行。
Gradio
我们准备了两个版本的多视图生成器,分别是 std 和 lite。
为了获得更好的效果,std 版本的运行脚本如下所示
bash
python3 app.py
要想提高速度,可以通过添加 --use_lite 参数来使用精简版。
bash
python3 app.py --use_lite
然后就可以通过 http://0.0.0.0:8080 访问演示程序了。 需要注意的是,这里的 0.0.0.0 需要与您的服务器 IP 一致为 X.X.X.X。
摄像机参数
输出视图是一组固定的摄像机姿态:
- 方位角(相对于输入视图):
+0, +60, +120, +180, +240, +300
.