一句话爆改三维场景!斯坦福吴佳俊团队新作:场景语言,智能补全文本到3D的场景理解

人工智能 新闻
斯坦福的研究团队提出了一个创新性解决方案:就像人类使用自然语言(natural language)进行交流,三维场景的构建需要场景语言(Scene Language)。

从文字生成三维世界的场景有多难?

试想一下,如果我们要 “生成复活节岛的摩艾石像”,AI 怎么才能理解我们的需求,然后生成一个精美的三维场景?

斯坦福的研究团队提出了一个创新性解决方案:就像人类使用自然语言(natural language)进行交流,三维场景的构建需要场景语言(Scene Language)

图片

  • 项目主页:https://ai.stanford.edu/~yzzhang/projects/scene-language/
  • 文章地址:https://arxiv.org/abs/2410.16770

这个新语言不仅能让 AI 理解我们的需求,更让它能够细致地将人类的描述转化为三维世界的场景。同时,它还具备编辑功能,一句简单指令就能改变场景中的元素!物体的位置、风格,现在都可以随意调整。

图片

智能的场景理解

再比如,输入 “初始状态的国际象棋盘”,模型可以自动识别并生成如下特征:

  • 64 个黑白相间的格子
  • 按规则排列的 32 个棋子
  • 每个棋子的独特造型

最终生成的 3D 场景完美还原了这些细节。

图片 

这个方法支持多种渲染方式,能适应不同的应用场景:

图片

更具吸引力的是其编辑能力:只需一句指令,就能调整场景中的元素:

图片

支持图片输入

图片

动态生成

不仅限于静态,Scene Language 还能生成动态场景,让 3D 世界生动起来。

图片

技术亮点

图片

Scene Language 的核心在于三大组件的融合:

1. 程序语言(program):用于精确描述场景结构,包括物体间的重复、层次关系;

2. 自然语言(word):定义场景中的物体类别,提供语义层面的信息;

3. 神经网络表征(embedding):捕捉物体的内在视觉细节。

这种组合就像给 AI 配备了一套完整的 “建筑工具”,既能整体规划,又能雕琢细节。

对比传统方法的优势

与现有技术相比,Scene Language 展现出显著优势:

  • 用户偏好测试中获得 85.65% 的偏好,相比现有方法提高了近 7 倍;
  • 在物体数量控制方面,测试集中的准确率达到 100%,而现有方法只有 11%。

这一研究展示了 AI 理解和创造 3D 世界的全新可能性,期待它在游戏开发、建筑设计等领域引领新一轮的创新!

作者简介

该篇论文主要作者来自斯坦福大学吴佳俊团队。

论文一作张蕴之,斯坦福大学博士生。主要研究为视觉表征及生成。

图片

吴佳俊,现任斯坦福大学助理教授。在麻省理工学院完成博士学位,本科毕业于清华大学姚班。

图片

责任编辑:张燕妮 来源: 机器之心
相关推荐

2023-12-14 12:51:28

LLM3D场景

2023-12-14 12:57:00

模型数据

2023-05-08 15:44:23

3D数字人

2023-10-09 12:45:09

数据训练

2023-08-28 00:53:03

AI3D

2021-12-30 10:00:07

3DAI 人工智能

2022-11-01 09:26:55

模型三维

2023-09-05 23:34:52

Kubernetes云原生

2023-05-12 14:13:23

3D建模OpenAI

2020-11-27 09:57:11

Python代码PyPy

2015-08-03 10:21:04

设计模式表达

2011-11-01 07:23:59

乔布斯悼文

2023-10-25 14:17:00

2010-03-29 11:55:12

无线上网报错

2024-11-11 14:30:00

2024-04-01 13:03:00

AI模型

2014-05-07 10:47:51

移动金融互联网金融GMIC

2018-01-15 10:45:43

社交网络互联网巨头百度

2020-12-16 10:43:44

PythonPyPy代码

2019-08-15 11:42:56

程序员电脑软件
点赞
收藏

51CTO技术栈公众号