ECCV 2024 | 南洋理工三维数字人生成新范式：结构扩散模型，用于 3D 人类生成

该论文作者均来自于新加坡南洋理工大学 S-Lab 团队，包括博士后胡涛，博士生洪方舟，以及计算与数据学院刘子纬教授（《麻省理工科技评论》亚太地区 35 岁以下创新者）。S-Lab 近年来在顶级会议如 CVPR, ICCV, ECCV, NeurIPS, ICLR 上发表多篇 CV/CG/AIGC 相关的研究工作，和国内外知名高校、科研机构广泛开展合作。

最近的 3D 人体生成模型通过从 2D 图像中学习 3D 感知 GAN 取得了显着进展。然而，现有的3D人体生成方法在紧凑的一维潜在空间中对人类进行建模，忽略了人体拓扑的衔接结构和语义。在本文中，我们探索了更具表现力和更高维的 3D 人体建模潜在空间，并提出了 StructLDM，这是一种基于 扩散的无条件 3D 人体生成模型，该模型是从 2D 图像中学习的。

论文代码已打包好，需要的看下方图片获取

StructLDM 通过三个关键设计解决了由于潜在空间的高维增长而带来的挑战：

1） 在统计人体模板的致密表面流形上定义的语义结构化潜在空间。

2）一种结构化的3D感知自动解码器，将全局潜在空间分解为几个语义身体部分，这些语义身体部分由一组锚定到身体模板的条件结构化本地NeRF参数化，该部分嵌入了从2D训练数据中学习的属性，并可以解码以在不同姿势和服装样式下呈现视图一致的人类。

3）用于生成性人类外观采样的结构化潜在扩散模型。

大量的实验验证了 StructLDM 最先进的生成性能，并说明了结构化潜空间在被广泛采用的一维潜空间上的表现力。值得注意的是，StructLDM 支持不同级别的可控 3D 人体生成和编辑，包括姿势/视图/形状控制，以及高级任务，包括构图生成、部分感知服装编辑、3D 虚拟试穿等。

三维数字人生成和编辑在数字孪生、元宇宙、游戏、全息通讯等领域有广泛应用。传统三维数字人制作往往费时耗力，近年来研究者提出基于三维生成对抗网络（3D GAN）从 2D 图像中学习三维数字人，极大提高了数字人制作效率。

这些方法往往在一维隐向量空间建模数字人，而一维隐向量无法表征人体的几何结构和语义信息，因此限制了其生成质量和编辑能力。

为了解决这一问题，来自新加坡南洋理工大学 S-Lab 团队提出结构化隐空间扩散模型（Structured Latent Diffusion Model）的三维数字人生成新范式 StructLDM。该范式包括三个关键设计：结构化的高维人体表征、结构化的自动解码器以及结构化的隐空间扩散模型。

StructLDM 是一个从图像、视频中学习的前馈三维生成模型（Feedforward 3D Generative Model），相比于已有 3D GAN 方法可生成高质量、多样化且视角一致的三维数字人，并支持不同层级的可控生成与编辑功能，如局部服装编辑、三维虚拟试衣等部位感知的编辑任务，且不依赖于特定的服装类型或遮罩条件，具有较高的适用性。

 StructLDM 是一种新的范式（相对于现有的 3D GAN），用于从 2D 图像集合生成 3D 人体，具有 3 个关键设计：结构化 2D 潜在空间、结构化自动解码器和结构化潜在扩散模型。

StructLDM生成多样化的视图一致的人类，并支持不同级别的可控生成和编辑，例如通过混合来自a）的五个选定部分进行合成生成，以及身份交换、本地服装编辑、3D虚拟试穿等部件感知编辑。请注意，生成和编辑与服装无关，没有服装类型或面具调节。

• 论文标题：StructLDM: Structured Latent Diffusion for 3D Human Generation

• 实验室主页：https://www.ntu.edu.sg/s-lab

方法概览 StructLDM 训练过程的包含两个阶段：

• 结构化自动解码：给定人体姿态信息 SMPL 和相机参数，自动解码器对训练集中每个人物个体拟合出一个结构化 UV latent。该过程的难点在于如何把不同姿态、不同相机视角、不同着装的人物图像拟合到统一的 UV latent 中，为此 StructLDM 提出了结构化局部 NeRF 对身体每个部位分别建模，并通过全局风格混合器把身体各部分合并在一起，学习整体的人物外观。此外，为解决姿态估计误差问题，自动解码器训练过程中引入了对抗式学习。在这一阶段，自动解码器把训练集中每个人物个体转化为一系列 UV latent。

• 结构扩散模型：该扩散模型学习第一阶段得到的 UV latent 空间，以此学习人体三维先验。

在推理阶段，StructLDM 可随机生成三维数字人：随机采样噪声并去噪得到 UV latent，该 latent 可被自动解码器渲染为人体图像。

实验结果

该研究在 4 个数据集上进行了实验评估：单视角图像数据集 DeepFashion [Liu et al. 2016]，视频数据集 UBCFashion [Zablotskaia et al. 2019]，真实三维人体数据集 THUman 2.0 [Yu et al. 2021], 及虚拟三维人体数据集 RenderPeople。

3.1 定性结果比较

StructLDM 在 UBCFashion 数据集上与已有 3D GAN 方法做了对比，如 EVA3D、 AG3D 及 StyleSDF。相比于已有方法，StructLDM 可生成高质量、多样化、视角一致的三维数字人，如不同肤色、不同发型，以及服饰细节（如高跟鞋）。

StructLDM 在 RenderPeople 数据集上与已有 3D GAN 方法（如 EG3D, StyleSDF, 及 EVA3D）及扩散模型 PrimDiff 对比。相比于已有方法，StructLDM 可生成不同姿态、不同外观的高质量三维数字人，并生成高质量面部细节。

 

3.2 定量结果比较

研究者在 UBCFashion, RenderPeople，及 THUman 2.0 上与已知方法做了定量结果比较，在每个数据集上随机选取 5 万张图像计算 FID ，StructLDM 可大幅降低 FID。此外，User Study 显示大约 73% 的用户认为 StructLDM 生成的结果在面部细节和全身图像质量上比 AG3D 更有优势。

3.3 应用

3.3.1 可控性生成

StructLDM 支持可控性生成，如相机视角、姿态、体型控制，以及三维虚拟试衣，并可在二维隐空间插值。

3.3.2 组合式生成

StructLDM 支持组合式生成，如把①②③④⑤部分组合起来可生成新的数字人，并支持不同的编辑任务，如身份编辑、衣袖（4）、裙子（5）、三维虚拟试衣（6）以及全身风格化（7）。

3.3.3 编辑互联网图片

StructLDM 可对互联网图片进行编辑，首先通过 Inversion 技术得到对应的 UV latent，然后通过 UV latent 编辑可对生成的数字人进行编辑，如编辑鞋、上衣、裤子等。

3.4 消融实验

3.4.1 隐空间扩散

StructLDM 提出的隐空间扩散模型可用于不同编辑任务，如组合式生成。下图探究了扩散模型参数（如扩散步数和噪声尺度）对生成结果的影响。StructLDM 可通过控制扩散模型参数来提高生成效果。

3.4.2 一维与二维人体表征

研究者对比了一维与二维 latent 人体表征效果，发现二维 latent 可生成高频细节（如衣服纹理及面部表情），加入对抗式学习可同时提高图片质量和保真度。

 3.4.3 结构感知的归一化

为提高扩散模型学习效率，StructLDM 提出了结构感知的 latent 归一化技术 （structure-aligned normalization），即对每个 latent 做逐像素归一化。研究发现，归一化后的 latent 分布更接近于高斯分布，以此更利于扩散模型的学习。

---

论文代码已打包好！