腾讯混元3D-1.0：文本到三维和图像到三维生成的统一框架
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
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。
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。
python3 -m pip install "huggingface_hub[cli]"
然后使用以下命令下载模型：
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。
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。
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 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
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。
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.
https://huggingface.co/tencent/Hunyuan3D-1/tree/main
https://github.com/Tencent/Hunyuan3D-1