LDM3D是業(yè)界領(lǐng)先的可創(chuàng)建深度圖的生成式AI模型，有望革新內(nèi)容創(chuàng)作,、元宇宙和數(shù)字體驗

英特爾研究院宣布與Blockade Labs合作發(fā)布LDM3D(Latent Diffusion Model for 3D)模型,，這一全新的擴散模型使用生成式AI創(chuàng)建3D視覺內(nèi)容。LDM3D是業(yè)界領(lǐng)先的利用擴散過程(diffusion process)生成深度圖(depth map)的模型,，進而生成逼真的,、沉浸式的360度全景圖。LDM3D有望革新內(nèi)容創(chuàng)作,、元宇宙應(yīng)用和數(shù)字體驗，改變包括娛樂,、游戲,、建筑和設(shè)計在內(nèi)的許多行業(yè)。

英特爾研究院人工智能和機器學(xué)習(xí)研究專家Vasudev Lal表示：“生成式AI技術(shù)旨在提高和增強人類創(chuàng)造力,，并節(jié)省時間,。然而,，目前的大部分生成式AI模型僅限于生成2D圖像，僅有少數(shù)幾種可根據(jù)文本提示生成3D圖像,。在使用幾乎相同數(shù)量參數(shù)的情況下,，不同于現(xiàn)存的潛在擴散模型，LDM3D可以根據(jù)用戶給定的文本提示同時生成圖像和深度圖,。與深度估計中的標(biāo)準(zhǔn)后處理方法相比,，LDM3D能夠為圖像中的每個像素提供更精準(zhǔn)的相對深度，并為開發(fā)者省去了大量用于場景開發(fā)的時間,?！?/p>

封閉的生態(tài)系統(tǒng)限制了規(guī)模。英特爾致力于推動AI的真正普及,，通過開放的生態(tài)系統(tǒng)讓更多人從這項技術(shù)中受益,。計算機視覺領(lǐng)域近年來取得了重大進展，特別是在生成式AI方面,。然而,，當(dāng)今許多先進的生成式AI模型只能生成2D圖像。與通常只能根據(jù)文本提示生成2D RGB圖像的現(xiàn)有擴散模型不同,，LDM3D可以根據(jù)用戶給定的文本提示同時生成圖像和深度圖,。與深度估計(depth estimation)中的標(biāo)準(zhǔn)后處理(post-processing)方法相比，LDM3D在使用與潛在擴散模型Stable Diffusion幾乎相同數(shù)量參數(shù)的情況下,，能夠為圖像中的每個像素提供更精準(zhǔn)的相對深度(relative depth),。

這項研究有望改變我們與數(shù)字內(nèi)容的互動方式,，基于文本提示為用戶提供全新的體驗,。LDM3D生成的圖像和深度圖能夠?qū)⒅T如寧靜的熱帶海灘、摩天大樓,、科幻宇宙等文本描述轉(zhuǎn)化為細致的360度全景圖,。LDM3D捕捉深度信息的能力，可以即時增強整體真實感和沉浸感,，使各行各業(yè)的創(chuàng)新應(yīng)用成為可能,，包括娛樂、游戲,、室內(nèi)設(shè)計,、房產(chǎn)銷售 ，以及虛擬博物館與沉浸式VR體驗等,。

6月20日,，在IEEE/CVF計算機視覺和模式識別會議(CVPR)的3DMV工作坊上，LDM3D模型獲得了“Best Poster Award”

LDM3D是在LAION-400M數(shù)據(jù)集包含一萬個樣本的子集上訓(xùn)練而成的,。LAION-400M是一個大型圖文數(shù)據(jù)集,，包含超過4億個圖文對。對訓(xùn)練語料庫進行標(biāo)注時,，研究團隊使用了之前由英特爾研究院開發(fā)的稠密深度估計模型DPT-Large,，為圖像中的每個像素提供了高度準(zhǔn)確的相對深度。LAION-400M數(shù)據(jù)集是基于研究用途創(chuàng)建而成的,，以便廣大研究人員和其它興趣社群能在更大規(guī)模上測試模型訓(xùn)練,。

LDM3D模型在一臺英特爾AI超級計算機上完成了訓(xùn)練，該超級計算機由英特爾?至強?處理器和英特爾?Habana Gaudi? AI加速器驅(qū)動,。最終的模型和流程整合了RGB圖像和深度圖,，生成360度全景圖，實現(xiàn)了沉浸式體驗,。

為了展示LDM3D的潛力,，英特爾和Blockade的研究人員開發(fā)了應(yīng)用程序DepthFusion，通過標(biāo)準(zhǔn)的2D RGB圖像和深度圖創(chuàng)建沉浸式,、交互式的360度全景體驗,。DepthFusion利用了TouchDesigner，一種基于節(jié)點的可視化編程語言,，用于實時互動多媒體內(nèi)容,，可將文本提示轉(zhuǎn)化為交互式和沉浸式數(shù)字體驗。LDM3D是能生成RGB圖像及其深度圖的單一模型,，因此能夠節(jié)省內(nèi)存占用和降低延遲,。

LDM3D和DepthFusion的發(fā)布，為多視角生成式AI和計算機視覺的進一步發(fā)展鋪平了道路,。英特爾將繼續(xù)探索如何使用生成式AI增強人類能力,，并致力于打造一個強大的開源AI研發(fā)生態(tài)系統(tǒng)，讓更多人能夠使用AI技術(shù),。延續(xù)英特爾對開放AI生態(tài)系統(tǒng)的大力支持,，LDM3D正在通過HuggingFace進行開源，讓AI研究人員和從業(yè)者能對這一系統(tǒng)作出進一步改進,，并針對特定應(yīng)用進行微調(diào),。

在2023年6月18日至22日舉行的IEEE/CVF計算機視覺和模式識別會議上，英特爾將發(fā)表這項研究成果,。