【论文阅读笔记】PHYSCENE: Physically Interactable 3D Scene Synthesis for Embodied AI

[写在开头] 深度学习小白，如果有不对的地方请大家多指正，对说的就是你大佬！
论文名称: PHYSCENE: Physically Interactable 3D Scene Synthesis for Embodied AI
论文链接: PHYSCENE: Physically Interactable 3D Scene Synthesis for Embodied AI

MOTIVATION

主流的3D场景生成工作注重场景的逼真性与自然性，但忽略了场景的物理合理性和可交互性

CONTRIBUTION

1. 为3D场景生成设计了一系列符合物理规律和可交互性的引导函数(guidance function)
2. 提出了一个基于条件扩散的3D场景生成模型 PHYSCENE，并且在传统的场景生成指标上超过了sota

PHYSCENE

主流的3D场景生成数据集存在一系列不符合物理规律的现象，如3D-FRONT

为了准确地建模物理合理性和交互性，论文提出了3种关键约束：
collision avoidance，object layouts，reachability

Collision avoidance

假设场景中有 $N$个物体，记 $b_i$为物体 $O_i$的3D BBOX，使用 3D IoU 计算物体 $O_i$与物体 $O_j$之间的重合，取负值是为了惩罚重合

Object layouts

给定房间平面图 $F$，首先从平面图提取为一个多边形，作为场景的外围；在场景外围放置 $W$个无穷厚的障碍，得到一系列障碍物 BBOX { b w w a l l } w = 1 W \{b^{wall}_{w}\}^W_{w=1} {bwwall​}w=1W​
计算场景中的物体与外围障碍的 3D IoU，取负值是针对超出场景边界的物体进行惩罚

Reachability

给定房间平面图 $F$，记智能体的BBOX为 $b^{agent}$；将3D场景俯视投影到2D平面，生成代价地图；以两个最大且相连的区域的中心为起点和终点，使用A*搜索算法搜索出最短路径；在这条最短路径上选择 $L$个智能体的位置 { b 1 a g n e t , . . . , b L a g e n t } \{b^{agnet}_1,...,b^{agent}_L\} {b1agnet​,...,bLagent​}，
计算 $L$个智能体与场景中所有物体的 3D IoU，取负值是为了惩罚物体间距太窄、智能体无法通过

Conditional diffusion

扩散模型是一个“加噪+去噪”的过程
前向加噪：给定初始房间布局 $X_0$，逐步添加高斯噪声 $q(X_{t+1};X_t)$， $T$时间步后得到近似高斯噪声 $X_T$
反向去噪：网络参数为 $\theta$，逐步去除噪声 $p_{\theta }(X_t;X_{t+1})$，最终重构得到 $X_0$
因为加噪的时候添加的是高斯噪声，(Denoising Diffusion Probabilistic Models)假设去除的也是高斯噪声
使用 ${\mu }_{\theta }(X_t,t,F)$表示二维高斯分布均值， ${\sum }_{\theta }(X_t,t,F)$代表二维高斯分布方差，则

$p_{\theta }(X_0|F)$代表 $X_0$的概率分布
$p_{\theta }(X_t|F)=p(X_T){\prod }_{k=t+1}^T{p}_{\theta }(X_{k-1}|X_k,F)$代表 $X_t$的概率分布
论文将逐步去噪的过程表述为概率优化问题，记 $O$服从伯努利分布，表示去噪得到的$X_t$是否服从约束函数，则
$$p(X_t|F,O=1)\propto p_{\theta }(X_t|F)p(O=1|X_t,F)$$
用约束函数替换$O$，则
$$p(X_t|F,O=1)\propto p_{\theta }(X_t|F)\exp (\sum {\phi }_i(X_t,F))$$

$\log p(O=1|X_t,F)$是关于$X_t$的函数，记$\mu ={\mu }_{\theta }(X_t,t,F)$在 $X_t=\mu$处作一阶泰勒展开，则
$$\log p(O=1|X_t,F)\approx C+(X_t-\mu ){\nabla }_{X_t}\log p(O=1|X_t,F){|}_{X_t=\mu }$$
用约束函数替换$O$，则
$${\nabla }_{X_t}\log p(O=1|X_t,F){|}_{X_t=\mu }={\nabla }_{X_t}\log (\exp (\sum {\phi }_i(X_t,F))){|}_{X_t=\mu }={\nabla }_{X_t}\sum {\phi }_i(X_t,F){|}_{X_t=\mu }$$
记$g={\nabla }_{X_t}{\phi }_i(X_t,F){|}_{X_t=\mu }$，则
$$\log p(O=1|X_t,F)\approx C+(X_t-\mu )\sum g$$
没加约束函数时，逐步去噪过程可以表述为如下高斯分布：

添加约束函数后，逐步去噪过程可以表述为如下高斯分布，与约束函数的梯度有关：
$$p_{\theta }(X_{t-1}|X_t,F,O=1)=N(X_{t-1};\mu +\lambda \sum g,\sum _{\theta }(X_t,t,F))$$

Framework

给定 $t+1$时间步的图片 $X_{t+1}$，使用带有注意力模块的U-Net建模去噪过程，得到 $X_t$后计算约束函数的梯度，最终得到 $X_t^{\prime }$

Articulated objects

为了增强场景的可交互性，作者将生成场景中的物体替换成可交互的物体。
可交互物体来源于3D-FUTURE和GAPartNet，里面包含物体的CAD模型等
场景中物体 $Oi$的形状特征为 $f_i\in R_{32}$，使用形状特征在物体数据中检索，需要最匹配的物体进行替换

Experiment

论文进行了两组实验，一组是给定初始布局图 $F$（conditioned Scene Synthesis），另一组不给（Unconditioned Scene Synthesis）
实验数据集为3D-FRONT，比较模型为两个sota方法，ATISS和DiffuScene

Metric

Fréchet Inception Distance (FID)
Kernel Inception Distance (KID ×0.001)
Scene Classification Accuracy (SCA)
Category KL divergence (CKL ×0.01)
论文自己定义了一些指标
$Co{l}_{obj}$，即生成的场景中，{存在重合的物体数量}/{所有物体数量}，越低越好
$Co{l}_{scene}$，即{存在物体重合的场景数量}/{所有场景数量}，越低越好
$R_{out}$，即生成场景中，{发生穿墙现象的物体数量}/{所有物体数量}，越低越好
$R_{reach}$，即生成场景中，{智能体可交互的物体数量}/{所有物体数量}，越高越好
$R_{walkable}$，即生成场景中，{智能体可到达的区域面积}/{所有可行走的区域面积}，越高越好

Unconditioned Scene Synthesis

Conditioned Scene Synthesis

Ablation Study

Articulated objects

在3D-FRONT数据集的living room setting

想法

1. 论文在智能体可达性上提升没有太大
2. 需要操作小物体的场景

以上就是这篇论文PHYSCENE: Physically Interactable 3D Scene Synthesis for Embodied AI的阅读笔记，大家可以去读一读。

创作不易，转载请注明出处。