本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
给灰突突的3D模型加“新皮肤”，这事儿能有多简单？
现在，只需要一句话就能搞定。
看！
一个普通小台灯，给个“Brick Lamp”的描述，瞬间变“砖块灯”：
一匹灰色小马，加上“Astronaut Horse”，摇身一变就成了“宇航马”：
操作简单不说，每一个角度上的细节和纹理也都呈现出来了。
这就是用一个专门给3D物体“换皮肤”的模型Text2Mesh做出来的，由芝加哥大学和特拉维夫大学联合打造。
是不是有点意思？
一句话给3D物体“换皮肤”
Text2Mesh模型的输入只需一个3D Mesh（无论原始图像质量高低），外加一句文字描述。
具体变换过程如下：
输入的原始网格模型mesh，顶点V∈Rn×3，表面F∈{1, . . . , n}m×3，它们在整个训练过程中固定不变。
然后再构造一个神经风格（neural style）网络，为mesh每个顶点生成一个样式属性，后续好在整个表面上定义风格。
具体来说，该网络将网格表面p∈V上的点映射成相应的RGB颜色，并沿法线方向位移，生成一个风格化了的初始mesh。
接着从多个视图对这个mesh进行渲染。
再使用CLIP嵌入的2D增强技术让结果更逼真。
在这个过程中，渲染图像和文本提示之间的CLIP相似性得分，会被作为更新神经网络权重的信号。
整个Text2Mesh不需要预训练，也不需要专门的3D Mesh数据集，更无需进行UV参数化（将三角网格展开到二维平面）。
具体效果如何？
Text2Mesh在单个GPU上训练的时间只需不到25分钟，高质量的结果可以在10分钟之内出现。
它可以生成各种风格，并且细节还原非常到位：
再比如下面这个，不管是变雪人、忍者、蝙蝠侠、绿巨人，还是乔布斯、梅西、律师……衣服的褶皱、配饰、肌肉、发丝……等细节都可以生动呈现。
研究人员还设计了一个用户调查，将Text2Mesh与基线方法VQGAN相比。
评分涉及三个问题：1、生成的结果自然程度；2、文本与结果的匹配度；3、结果与原始图像的匹配度。
57名用户打分后，得出的结果如下：
Text2Mesh在每一项上得分都比VQGAN高。
此外，在更复杂、更特殊的文本描述之下，Text2Mesh也能hold住。
比如“由钩针编织成的闪亮的金色衣服熨斗”：
“带波纹金属的蓝钢luxo台灯”：
更厉害的是，Text2Mesh模型还可以直接使用图片驱动。
比如就给一张仙人掌的照片，也能直接把原始灰色的3D小猪变成“仙人掌风格”：
One More Thing
Text2Mesh代码已开源，在Kaggle Notebook上也有人上传了demo。感兴趣的便朋友可以一试：
最后，大家知道这是只啥么？
demo地址：
https://www.kaggle.com/neverix/text2mesh/
论文：
https://arxiv.org/abs/2112.03221
代码：
https://github.com/threedle/text2mesh
参考链接：
https://threedle.github.io/text2mesh/
