1. 论文信息
1.1. 论文标题
DreamCar: Leveraging Car-specific Prior for in-the-wild 3D Car Reconstruction
1.2. 项目主页
DreamCar: Leveraging Generative Prior for in-the-wild 3D Car Reconstruction
1.3. 效果展示
DreamCar 1
以上是我们提出的方法DreamCar 在实际应用场景中的效果。
2. 摘要
自驾行业通常雇用专业艺术家来制作精美的3D汽车模型。然而，制作大规模的数字资产成本高昂。由于已经有许多包含大量汽车图像的数据集，我们专注于从这些数据集中重建高质量的3D汽车模型。然而，这些数据集只包含前行场景中汽车的一侧图像。我们尝试使用现有的生成模型提供更多的监督信息，但由于这些模型是在合成数据集上训练的，而不是专门针对汽车的数据集，因此难以在汽车上泛化。此外，在处理野外图像时，由于相机姿态估计的误差较大，重建的3D汽车纹理会出现错位。这些限制使得以前的方法难以重建完整的3D汽车。为了解决这些问题，我们提出了一种新方法，名为DreamCar，能够在给定少量图像甚至单张图像的情况下重建高质量的3D汽车。为了使生成模型更具泛化性，我们收集了一个名为Car360的汽车数据集，包含超过5600辆汽车。利用这个数据集，我们使生成模型对汽车更加鲁棒。我们使用特定于汽车的生成先验，通过分数蒸馏采样来引导重建。为了进一步补充监督信息，我们利用汽车的几何和外观对称性。最后，我们提出了一种姿态优化方法，通过校正姿态来解决纹理错位问题。大量实验表明，我们的方法在重建高质量3D汽车方面显著优于现有方法。
DreamCar 2
以上是我们提出的方法DreamCar 在nuscenes 数据集中重建大量3D汽车的效果。
3. 方法
我们提出的方法DreamCar，通过利用多种关键技术从有限数量的图像中重建高质量的3D汽车模型。首先进行图像分割和镜像操作，以创建额外的训练视图，然后使用Nuscenes等数据集估算和优化相机姿态。该方法采用逐步由粗到细的几何重建方法，使用NeRF、Neus和DMTET等模型，并结合法线和深度图约束以确保精度。纹理优化通过生成模型和DreamBooth实现，以获得逼真的结果，并使用PoseMLP优化相机姿态以纠正纹理错位。
4. 提出的Car360 数据集
本研究旨在从有限数量的图像（通常为一到五张）中重建完整的3D模型。然而，仅依靠这些监督信息是不够的。因此，我们在方法中集成了最近的大规模3D感知扩散模型Zero-123-XL的生成先验。我们发现，由于该模型在大规模合成数据集（如Objaverse）上训练，而不是专门针对汽车的数据集，因此在实际的汽车主题上难以泛化。在本研究中，我们收集了一个名为Car360的汽车数据集，其中包含5600辆合成汽车，以增强我们的模型在实际汽车上的鲁棒性。
DreamCar 3
以上是我们提出的方法DreamCar 对比现有sota方法的效果。我们做了多项实验表明DreamCar 具有很好的重建效果 且优于现有的sota 方法。代码已经开源，欢迎大家follow！