一行字实现3D换脸！UC伯克利提出「Chat-NeRF」，说句话完成大片级渲染

由于神经3D重建技术的发展，捕获真实世界3D场景的特征表示从未如此简单。

然而，在此之上的3D场景编辑却一直未能有一个简单有效的方案。

最近，来自UC伯克利的研究人员基于此前的工作InstructPix2Pix，提出了一种使用文本指令编辑NeRF场景的方法——Instruct-NeRF2NeRF。

论文地址：https://arxiv.org/abs/2303.12789

利用Instruct-NeRF2NeRF，我们只需一句话，就能编辑大规模的现实世界场景，并且比以前的工作更真实、更有针对性。

比如，想要他有胡子，脸上就会出现一簇胡子！

或者直接换头，秒变成爱因斯坦。

此外，由于模型能不断地使用新的编辑过的图像更新数据集，所以场景的重建效果也会逐步得到改善。

NeRF + InstructPix2Pix = Instruct-NeRF2NeRF

具体来说，人类需要给定输入图像，以及告诉模型要做什么的书面指令，随后模型就会遵循这些指令来编辑图像。

实现步骤如下：

1. 在训练视角下从场景中渲染出一张图像。
2. 使用InstructPix2Pix模型根据全局文本指令对该图像进行编辑。
3. 用编辑后的图像替换训练数据集中的原始图像。
4. NeRF模型按照往常继续进行训练。

实现方法

相比于传统的三维编辑，NeRF2NeRF是一种新的三维场景编辑方法，其最大的亮点在于采用了「迭代数据集更新」技术。

虽然是在3D场景上进行编辑，但论文中使用2D而不是3D扩散模型来提取形式和外观先验，因为用于训练3D生成模型的数据非常有限。

这个2D扩散模型，就是该研究团队不久前开发的InstructPix2Pix——一款基于指令文本的2D图像编辑模型，输入图像和文本指令，它就能输出编辑后的图像。

然而，这种2D模型会导致场景不同角度的变化不均匀，因此，「迭代数据集更新」应运而生，该技术交替修改NeRF的「输入图片数据集」，并更新基础3D表征。

这意味着文本引导扩散模型（InstructPix2Pix）将根据指令生成新的图像变化，并将这些新图像用作NeRF模型训练的输入。因此，重建的三维场景将基于新的文本引导编辑。

在初始迭代中，InstructPix2Pix通常不能在不同视角下执行一致的编辑，然而，在NeRF重新渲染和更新的过程中，它们将会收敛于一个全局一致的场景。

总结而言，NeRF2NeRF方法通过迭代地更新图像内容，并将这些更新后的内容整合到三维场景中，从而提高了3D场景的编辑效率，还保持了场景的连贯性和真实感。

可以说，UC伯克利研究团队的此项工作是此前InstructPix2Pix的延伸版，通过将NeRF与InstructPix2Pix结合，再配合「迭代数据集更新」，一键编辑照样玩转3D场景！

仍有局限，但瑕不掩瑜

不过，由于Instruct-NeRF2NeRF是基于此前的InstructPix2Pix，因此继承了后者的诸多局限，例如无法进行大规模空间操作。

此外，与DreamFusion一样，Instruct-NeRF2NeRF一次只能在一个视图上使用扩散模型，所以也可能会遇到类似的伪影问题。

下图展示了两种类型的失败案例：

（1）Pix2Pix无法在2D中执行编辑，因此NeRF2NeRF在3D中也失败了；

（2）Pix2Pix在2D中可以完成编辑，但在3D中存在很大的不一致性，因此NeRF2NeRF也没能成功。

再比如下面这只「熊猫」，不仅看起来非常凶悍（作为原型的雕像就很凶），而且毛色多少也有些诡异，眼睛在画面移动时也有明显的「穿模」。

自从ChatGPT，Diffusion, NeRFs被拉进聚光灯之下，这篇文章可谓充分发挥了三者的优势，从「AI一句话作图」进阶到了「AI一句话编辑3D场景」。

尽管方法存在一些局限性，但仍瑕不掩瑜，为三维特征编辑给出了一个简单可行的方案，有望成为NeRF发展的里程碑之作。

一句话编辑3D场景

最后，再看一波作者放出的效果。

不难看出，这款一键PS的3D场景编辑神器，不论是指令理解能力，还是图像真实程度，都比较符合预期，未来也许会成为学术界和网友们把玩的「新宠」，继ChatGPT后打造出一个Chat-NeRFs。

即便是随意改变图像的环境背景、四季特点、天气，给出的新图像也完全符合现实逻辑。

原图：

秋天：

雪天：

沙漠：

暴风雨：

参考资料：​​​https://instruct-nerf2nerf.github.io​