三维模型生成方法、装置和电子设备与流程

1.本公开涉及人工智能技术领域，尤其涉及计算机视觉、增强现实、虚拟现实、深度学习等技术领域，可应用于元宇宙、数字人等场景，具体涉及一种三维模型生成的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。


背景技术：

2.如今，ar(augmented reality，增强现实)技术、vr(virtual reality，虚拟现实)技术以及与其相关的游戏产业正蓬勃发展。在ar技术和vr技术的应用中，需要构建生成大量的三维模型。然而，三维模型生成的不可控始终是一个困扰业界的难题。如何可控地通过文字或图像生成较精细的三维模型，一直是业界的研究热点和难点之一。
3.在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。


技术实现要素：

4.本公开提供了一种三维模型生成的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
5.根据本公开的一方面，提供了一种三维模型生成方法，包括：获取用户针对待生成的目标三维模型提供的约束要素；基于约束要素，生成目标三维模型的第一模型表征，其中，第一模型表征包括目标三维模型的初始形状信息和初始纹理信息；将第一模型表征转换为能够被调整的第二模型表征；基于第二模型表征，生成目标三维模型的多个渲染图像，其中，多个渲染图像分别对应于多个视角；以及基于多个渲染图像和约束要素，调整第二模型表征以生成目标三维模型。
6.根据本公开的另一方面，提供了一种三维模型生成装置，包括：约束要素获取模块，被配置为获取用户针对待生成的目标三维模型提供的约束要素；模型表征生成模块，被配置为基于约束要素，生成目标三维模型的第一模型表征，其中，第一模型表征包括目标三维模型的初始形状信息和初始纹理信息；模型表征转换模块，被配置为将第一模型表征转换为能够被调整的第二模型表征；渲染图像生成模块，被配置为基于第二模型表征，生成目标三维模型的多个渲染图像，其中，多个渲染图像分别对应于多个视角；以及三维模型生成模块，被配置为基于多个渲染图像和约束要素，调整第二模型表征以生成目标三维模型。
7.根据本公开的另一方面，提供了一种电子设备，包括至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有能够被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开如上所提供的方法。
8.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本公开如上所提供的方法。
9.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程
序在被处理器执行时实现本公开如上所提供的方法。
10.根据本公开的一个或多个实施例，可以可控地通过文字或图像生成较精细的三维模型。
11.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
12.附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
13.图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
14.图2示出了根据本公开的实施例的三维模型生成方法的流程图；
15.图3示出了根据本公开的实施例的基于文本的三维模型生成方法的示意图；
16.图4示出了根据本公开的实施例的基于图像的三维模型生成方法的示意图；
17.图5示出了根据本公开的实施例的三维模型生成的装置的结构框图；
18.图6示出了根据本公开另一实施例的三维模型生成的装置的结构框图；
19.图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
20.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
21.在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
22.在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
23.ar技术、vr技术以及与其相关的游戏领域对三维模型的需求量非常大。目前，大部分三维模型仍然依靠人工设计和制作，这样的方式对金钱成本和时间成本的要求都很高。为了满足大量生产三维模型的需求，三维模型生成技术应运而生。而如何可控地通过文字或图像生成较精细的三维模型，仍然是业界的研究热点和难点之一。
24.一个传统的方法是三维模型重建，即，利用现有的物体的图像通过重建的方式生成与该物体对应的三维模型。然而，正如上所述，利用重建技术生成对应的三维模型需要真实存在的物体及其图像，无法生成不存在的物体的三维模型，对三维模型的生成带来了较
大的局限性。
25.另一个传统方法是利用二维的扩散模型生成与输入的文字对应的三维模型。然而，这种方法的实施过程中，生成神经渲染的结果常常无法应用到传统的渲染引擎，二维的扩散模型也难以生成复合的特定场景风格的三维模型，并且这种方法也不能很好利用单一的图像生成与其对应的三维模型。
26.针对上述技术问题，根据本公开的一个方面，提供了一种三维模型生成方法。
27.下面将结合附图详细描述本公开的实施例。
28.图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
29.在本公开的实施例中，服务器120可以运行使得能够执行三维模型生成的方法的一个或多个服务或软件应用。
30.在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(saas)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
31.在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
32.用户可以使用客户端设备101、102、103、104、105和/或106来处理图像。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
33.客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如microsoft windows、apple ios、类unix操作系统、linux或类linux操作系统(例如google chrome os)；或包括各种移动操作系统，例如microsoft windows mobile os、ios、windows phone、android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(pda)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(sms)应用程序，并且可以使用各种通信协议。
34.网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于tcp/ip、sna、ipx等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(lan)、基于以太网的网络、令牌环、广域网(wan)、因特网、虚拟网络、虚拟专用网络(vpn)、内部网、外部网、区块链网络、公共交换电话网(pstn)、红外网络、无线网络(例如蓝牙、wifi)和/或这些和/或其他网络的任意组合。
35.服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如pc(个人计算机)服务器、unix服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
36.服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括http服务器、ftp服务器、cgi服务器、java服务器、数据库服务器等。
37.在一些实施方式中，服务器120可以包括一个或多个应用程序，例如，基于图像、视频、语音、文本、数字信号等数据的目标检测与识别、信号转换等服务的应用程序，以处理从客户端设备101、102、103、104、105和/或106接收的语音交互、文本分类、图像识别或关键点检测等任务请求。服务器可以根据具体的深度学习任务，利用训练样本训练神经网络模型，并且可以对神经网络模型的超网络模块中的各个子网络进行测试，根据各个子网络的测试结果，确定用于执行深度学习任务的神经网络模型的结构和参数。可以将各种数据作为深度学习任务的训练样本数据，如图像数据、音频数据、视频数据或文本数据等。在神经网络模型的训练完成后，服务器120还可以通过模型搜索技术自动搜索出最优模型结构来执行相应的任务。
38.在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(vps，virtual private server)服务中存在的管理难度大、业务扩展性弱的缺陷。
39.系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
40.在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
41.图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。以下详细描述根据本公开实施例的三维模型生成方法。
42.图2示出了根据本公开的实施例的三维模型生成方法200的流程图。如图2所示，方法200包括步骤s201、s202、s203、s204和s205。
43.在步骤s201，获取用户针对待生成的目标三维模型提供的约束要素。
44.在步骤s202，基于约束要素，生成目标三维模型的第一模型表征。该第一模型表征包括目标三维模型的初始形状信息和初始纹理信息。
45.在步骤s203，将第一模型表征转换为能够被调整的第二模型表征。
46.在步骤s204，基于第二模型表征，生成目标三维模型的多个渲染图像。这些渲染图像分别对应于多个视角。
47.在步骤s205，基于多个渲染图像和约束要素，调整第二模型表征以生成目标三维模型。
48.在示例中，约束要素可以是用于描述要生成的目标三维模型的特征的信息，这样的信息可以例如以文本或者图像的形式存在。
49.在示例中，第一模型表征例如可以包括三维模型网格(mesh)，mesh可以仅表示模型的粗糙的大致形状，而不包括其表面的纹理。mesh可以包括颜色信息和密度信息，这样的信息可以用于表征第一模型表征中的目标三维模型的初始形状信息。
50.在示例中，mesh可以是利用例如神经辐射场nerf或其他技术生成的，也可以是基于约束要素预先设定的，例如可以是相关技术人员按照对约束要素的理解制作的。
51.在示例中，第一模型表征中的目标三维模型的初始纹理信息可以是通过mlp(multi-layer perceptron，多层感知器)表达的与纹理相关的各种属性信息，这些属性例如可以包括目标三维模型的金属度和粗糙度。在一些实施例中，第一模型表征中的目标三维模型的诸如颜色信息和密度信息的初始形状信息也可以一同通过mlp表达。
52.在示例中，为了更好的对mesh进行变形和优化，可以将第一模型表征转换为能够被调整的第二模型表征。第二模型表征例如可以包括深度移动四面体dmtet，于是需要先对mesh进行转化。可以基于生成的mesh，将第一模型表征中的目标三维模型的初始形状信息转换为sdf(signed distance field，有符号距离域)的形式以作为第二模型表征中的目标三维模型的初始形状信息，sdf形式的信息可以用于描述空间中的点到物体表面的有符号距离。第二模型表征中的目标三维模型的初始纹理信息可以依然是与第一模型表征中的目标三维模型的初始纹理信息相同的通过mlp进行表达的与纹理相关的各种属性信息。在后续的渲染中，第二模型表征中的目标三维模型的初始纹理信息可以直接从mlp中通过索引得到。
53.基于这样的第二模型表征，可以通过pbr(physical base rendering，基于物理的渲染)的方式渲染生成多个视角的图像，以进一步进行三维模型的纹理和形状的优化。在pbr渲染的过程中，可以将第二模型表征中的目标三维模型的初始纹理信息中的各属性相互分离，在每一个视角下针对每一个属性，基于pbr渲染方程分别生成一个图像，再将单一视角下对应于各属性的多个图像合成为一个对应于该视角的合成图像。
54.在示例中，pbr渲染可以是基于dmtet实现的。dmtet对mesh的转换速度较快，能够便利于在后续的可微渲染过程中生成分辨率较大的图像，以用于优化模型的细节，使生成
的三维模型更为精细。
55.根据本公开实施例的三维模型生成方法，首先基于约束要素生成较为粗糙的目标三维模型的第一模型表征，能够初步确定出目标三维模型的大致形状和风格。然后通过对第一模型表征进行形式的转换，能够便利于后续对模型更精细的调整。通过基于转换后的模型表征多次生成目标三维模型的多视角的渲染图像，并结合约束要素对其进行进一步的调整以生成目标三维模型，能够将模型朝向与约束要素一致的方向进行优化，从而可控地生成用户所期望得到的三维模型。
56.以下进一步描述根据本公开实施例的三维模型生成方法的各个方面。
57.根据一些实施例，约束要素可以包括用于描述目标三维模型的文本或图像。
58.当约束要素为文本时，约束要素例如可以是描述真实存在或用户想象的物体的一句或一段话，也可以是一个或多个没有连成完整语句的形容词、副词、以及名词的集合。
59.当约束要素为图像时，约束要素例如可以是一张或多张拍摄的照片或者绘画作品等。图像形式的约束要素可以用于表示要生成的目标三维模型的艺术风格。
60.在示例中，约束要素还可以既包括文本又包括图像。可以通过用户输入的图像得到与其相对应的描述文本，从而从文本和图像两个方面来控制目标三维模型的生成。也可以同时输入描述文本和具有风格特征的图像来控制目标三维模型的生成。
61.根据本公开的实施例，通过利用描述目标三维模型的文本或图像作为约束要素，可以令模型朝向与约束要素一致的方向进行优化，从而可控地生成用户所期望得到的三维模型。
62.根据一些实施例，在约束要素包括文本的场景下，在如图2的步骤s220的过程中，可以以文本作为用于生成第一模型表征的基准，经由神经辐射场nerf渲染得到第一模型表征。
63.图3示出了根据本公开的实施例的基于文本的三维模型生成方法300的示意图。图3所示出的方法300中可以涉及用户提供的约束要素301、基于约束要素301通过模型表征生成模块310生成的第一模型表征302、由第一模型表征302通过模型表征转换模块320转换得到的第二模型表征303、以及最终生成的目标三维模型304。约束要素301、第一模型表征302、第二模型表征303、以及目标三维模型304的转换过程可以例如结合如图2所示的方法200。
64.在示例中，约束要素301可以是文本，例如可以是描述真实存在或用户想象的物体的一句或一段话，也可以是一个或多个词语的集合。
65.在示例中，可以将约束要素301中的文本输入模型表征生成模块310，以生成的第一模型表征302。模型表征生成模块310中可以包括神经辐射场nerf 313，神经辐射场nerf 313可以用于渲染并得到第一模型表征302。
66.在示例中，神经辐射场nerf 313的输出可以包括第一模型表征302中的目标三维模型的初始形状信息，该初始形状信息例如可以包括由神经辐射场nerf 313渲染生成的mesh的颜色信息和密度信息。
67.根据本公开的实施例，通过基于约束要素中的文本，利用神经辐射场nerf，能够实现对模型图像的渲染，并得到与其对应的第一模型表征。
68.根据一些实施例，在以文本作为用于生成第一模型表征的基准，经由神经辐射场
nerf渲染得到第一模型表征的过程中，可以进一步将神经辐射场nerf渲染中生成的图像输入到第一扩散模型中，以朝向基准调整第一模型表征。
69.继续参见图3，模型表征生成模块310中还可以包括第一扩散模型311。可以将约束要素301中的文本作为第一扩散模型311的控制条件，结合神经辐射场nerf 313渲染得到与约束要素301中的文本相对应的图像。该图像可以循环地经由第一扩散模型311和神经辐射场nerf 313进行优化处理，以使得第一模型表征被调整为更加符合约束要素301中的文本。
70.在这个过程中，可以将神经辐射场nerf 313渲染中生成的图像输入到第一扩散模型311中以计算损失函数，并通过多次优化损失函数，使得神经辐射场nerf 313渲染中生成的图像对应的模型形状基本符合约束要素301中的文本。
71.在示例中，由于神经辐射场nerf 313可以具有体渲染的特性，并且神经辐射场nerf 313本身不支持pbr渲染，因此可以仅导出一个较为粗糙的mesh以用于表征第一模型表征中的目标三维模型304的初始形状信息，以及导出与该mesh相对应的第一模型表征中的目标三维模型的初始纹理信息，例如通过mlp进行表达的与纹理相关的包括金属度和粗糙度等属性的信息。
72.根据本公开实施例，通过将神经辐射场nerf渲染中生成的图像输入到第一扩散模型中进行第一模型表征的调整和优化，能够在三维模型生成方法的生成粗糙模型的阶段就能够得到比较可靠的第一模型表征，从而能够便利于快速准确地生成用户所期望得到的三维模型。
73.根据一些实施例，神经辐射场nerf渲染中生成的图像可以以潜在编码(latent code)的形式表征。
74.在示例中，潜在编码可以指用于表达数据本质的编码数据。潜在编码可以比完整的数据具有更少的信息，而只保留其最关键的信息，被省略的信息可以是无用信息或噪声信息，所保留的关键信息可以只占用少量数据。
75.在示例中，如图3所示的第一扩散模型311可以基于约束要素301中的文本预测一个噪声，如果神经辐射场nerf 313渲染中生成的图像对应的噪声与所预测的噪声一致，那么可以认为渲染中生成的图像对应的模型形状基本符合约束要素301中的文本。在这个过程中，神经辐射场nerf 313渲染中生成的图像可以以潜在编码的形式表征，也就是说，可以不将生成的图像渲染成可视的图像形式，以最大化地保留信息，从而提高渲染得到第一模型表征的速度和可靠性。
76.根据本公开实施例，通过以潜在编码的形式表征神经辐射场nerf渲染中生成的图像，能够提高渲染得到第一模型表征的速度和可靠性。
77.根据一些实施例，第一模型表征还可以包括目标三维模型的风格化信息，风格化信息可以是基于嵌入在第一扩散模型中的风格化模型得到的。
78.在示例中，如图3所示，模型表征生成模块310中还可以包括嵌入在第一扩散模型311中的风格化模型312，风格化模型312例如可以是网络结构lora和/或controlnet。lora可以通过输入一系列相同风格的图片，例如某一游戏风格，生成对应于该风格的三维模型。而controlnet可以通过输入特定的姿势形态生成具有不同姿势的人物模型。
79.根据本公开的实施例，通过在第一扩散模型中嵌入风格化模型，以使得生成的第一模型表征包括目标三维模型的风格化信息，能够有助于对三维模型的生成进行约束和控
制，从而使得最终生成的三维模型更符合用户期望。
80.根据一些实施例，如图2所示的步骤s250可以包括：将多个渲染图像输入到第二扩散模型中，以文本作为用于生成第二模型表征的基准，朝向基准调整第二模型表征。
81.在示例中，继续参见图3，可以将基于第二模型表征303生成的多个渲染图像输入到第二扩散模型330中，并且将约束要素301中的文本作为第二扩散模型330的控制条件调整第二模型表征303以生成目标三维模型304。
82.根据本公开的实施例，通过利用扩散模型来朝向约束要素中的文本调整第二模型表征，能够在三维模型生成方法的优化精细模型的阶段也能快速准确地收敛，从而得到用户所期望得到的三维模型。
83.根据一些实施例，若约束要素包括图像，那么在如图2所示的步骤s220的过程中，可以先将图像输入到三维内容生成模型中，以获得目标三维模型的初始形状信息，再基于图像，经由多层感知器mlp获得目标三维模型的初始纹理信息。
84.图4示出了根据本公开的实施例的约束要素为图像的三维模型生成方法400的示意图。图4所示出的方法400中可以涉及用户提供的约束要素401、基于约束要素401通过模型表征生成模块410生成的第一模型表征402、由第一模型表征402通过模型表征转换模块420转换得到的第二模型表征403、以及最终生成的目标三维模型404。约束要素401、第一模型表征402、第二模型表征403、以及目标三维模型404的转换过程可以例如结合如图2所示的方法200。
85.在示例中，约束要素401可以包括图像，例如可以包括具有特定图像内容和艺术风格的一张或多张拍摄的照片或者绘画作品。
86.在示例中，可以将约束要素401中的图像输入模型表征生成模块410，以生成的第一模型表征402。模型表征生成模块410中可以包括三维内容生成模型和多层感知器mlp，三维内容生成模型可以用于基于约束要素401中的图像获得目标三维模型的初始形状信息，多层感知器mlp可以用于基于约束要素401中的图像获得目标三维模型的初始纹理信息。
87.在示例中，类似于如图3所示的方法300，同样可以以粗糙的mesh来表征第一模型表征402中的目标三维模型404的初始形状信息。在一些实施例中，可以利用一些现有的技术方案例如make-it-3d来生成这样的mesh。可以理解，也可以利用其他可以实现将图片转换为mesh的模块来实现约束要素401中的图像和第一模型表征402之间的转换。
88.类似地，同样可以利用mlp来表达与该mesh相对应的第一模型表征中的目标三维模型的初始纹理信息，例如与纹理相关的包括金属度和粗糙度等属性的信息。由于本实施例中mesh是通过make-it-3d渲染得到的，没有现成的mlp可以用于目标三维模型404的初始纹理信息的索引，因此可以基于约束要素401中的图像，经由mlp额外获取目标三维模型404的初始纹理信息。
89.根据本公开实施例，基于图像，利用三维内容生成模型获得目标三维模型的初始形状信息，并利用mlp获得目标三维模型的初始纹理信息，能够基于单一的图像生成一个粗糙的模型，以作为初步模型来进行优化和调整，得到最终的目标三维模型。
90.根据一些实施例，在约束要素包括图像的场景下，如图2所示的步骤s250可以包括：将作为约束要素的图像转换成文本；以及将多个渲染图像输入到第三扩散模型中，以文本作为用于生成第二模型表征的基准，朝向基准调整第二模型表征。
91.继续参见图4，可以利用诸如blip的技术模块440，将约束要素401中的图像转为与其对应的文本405，以作为约束要素401的补充。
92.在示例中，由单一图像生成的mesh在不可见区域的生成结果可能不够可靠，于是可以将基于第二模型表征403生成的多个渲染图像输入到第三扩散模型430中，并且将文本405作为第三扩散模型430的控制条件调整第二模型表征403以生成目标三维模型404。借助于扩散模型，生成结果不够好的不可见区域便能得以优化。
93.根据本公开实施例，通过将作为约束要素的图像转换成文本，再利用扩散模型来朝向该文本调整第二模型表征，能够便利于优化生成的模型，从而获得用户所期望得到的三维模型。
94.根据一些实施例，第三扩散模型中可以嵌入有风格化模型，以使得经调整的第二模型表征包括风格化信息。
95.在示例中，在约束要素为图像的场景下，三维模型生成的可控性常常高于在约束要素为文本的场景下的三维模型生成的可控性，因此，第三扩散模型430中可以不嵌入风格化模型。但可以理解，在第三扩散模型430中也可以类似于如图3所示的第一扩散模型311的，也嵌入有诸如lora和/或controlnet的风格化模型，以使得经调整的第二模型表征包括风格化信息。
96.根据本公开的实施例，通过在第三扩散模型中嵌入风格化模型，能够在三维模型生成的过程中增加更强的约束，使得三维模型的生成更为可控。
97.根据一些实施例，第一模型表征可以包括三维模型网格，第二模型表征可以包括深度移动四面体dmtet。
98.在示例中，三维模型网格mesh可以以颜色信息和密度信息来表征模型的形状。在对第一模型表征进行转换以得到第二模型表征的过程中，可以基于这样的颜色信息和密度信息来构建第二模型表征中的深度移动四面体dmtet，例如可以是通过将mesh的密度信息转换成sdf的形式来实现的。
99.根据本公开的实施例，借助于三维模型网格和深度移动四面体，能够在生成三维模型的过程中更精细地对模型的形状和纹理进行表达。
100.根据本公开的另一方面，还提供一种三维模型生成装置。
101.图5示出了根据本公开的实施例的三维模型生成装置500的结构框图。
102.如图5所示，三维模型生成装置500包括：约束要素获取模块510，被配置为获取用户针对待生成的目标三维模型提供的约束要素；模型表征生成模块520，被配置为基于约束要素，生成目标三维模型的第一模型表征，其中，第一模型表征包括目标三维模型的初始形状信息和初始纹理信息；模型表征转换模块530，被配置为将第一模型表征转换为能够被调整的第二模型表征；渲染图像生成模块540，被配置为基于第二模型表征，生成目标三维模型的多个渲染图像，其中，多个渲染图像分别对应于多个视角；以及三维模型生成模块550，被配置为基于多个渲染图像和约束要素，调整第二模型表征以生成目标三维模型。
103.由于三维模型生成装置500中的约束要素获取模块510、模型表征生成模块520、模型表征转换模块530、渲染图像生成模块540、三维模型生成模块550可以分别对应于如图2所述的步骤s210至s250，因此这里不再赘述其各个方面的细节。
104.另外，三维模型生成装置500及其所包括的模块还可以包括进一步的子模块，这将
在以下结合图6进行详细说明。
105.根据本公开的实施例，首先基于约束要素生成较为粗糙的目标三维模型的第一模型表征，能够初步确定出目标三维模型的大致形状和风格。然后通过对第一模型表征进行形式的转换，能够便利于后续对模型更精细的调整。通过基于转换后的模型表征多次生成目标三维模型的多视角的渲染图像，并结合约束要素对其进行进一步的调整以生成目标三维模型，能够将模型朝向与约束要素一致的方向进行优化，从而可控地生成用户所期望得到的三维模型。
106.图6示出了根据本公开另一实施例的三维模型生成装置600的结构框图。
107.如图6所示，三维模型生成的装置600可以包括约束要素获取模块610、模型表征生成模块620、模型表征转换模块630、渲染图像生成模块640、三维模型生成模块650。约束要素获取模块610、模型表征生成模块620、模型表征转换模块630、渲染图像生成模块640、三维模型生成模块650可以与如图5所示的约束要素获取模块510、模型表征生成模块520、模型表征转换模块530、渲染图像生成模块540、三维模型生成模块550相对应，因而在此不再赘述其细节。
108.在示例中，约束要素可以包括用于描述目标三维模型的文本或图像。
109.在示例中，模型表征生成模块620可以包括：模型表征渲染模块621，被配置为响应于约束要素包括文本，以文本作为用于生成第一模型表征的基准，经由神经辐射场nerf渲染得到第一模型表征。
110.在示例中，模型表征渲染模块621可以包括：第一扩散模型模块621a，被配置为将神经辐射场nerf渲染中生成的图像输入到第一扩散模型中，以朝向基准调整第一模型表征。
111.在示例中，神经辐射场nerf渲染中生成的图像可以以潜在编码的形式表征。
112.在示例中，第一模型表征还可以包括目标三维模型的风格化信息，风格化信息可以是基于嵌入在第一扩散模型中的风格化模型得到的。
113.在示例中，三维模型生成模块650可以包括：第二扩散模型模块651，被配置为将多个渲染图像输入到第二扩散模型中，以文本作为用于生成第二模型表征的基准，朝向基准调整第二模型表征。
114.在示例中，模型表征生成模块620还可以包括：初始形状信息获取模块622，被配置为响应于约束要素包括图像，将图像输入到三维内容生成模型中，以获得目标三维模型的初始形状信息；以及初始纹理信息获取模块623，被配置为基于图像，经由多层感知器mlp获得目标三维模型的初始纹理信息。
115.在示例中，三维模型生成模块650还可以包括：约束要素转换模块652，被配置为将作为约束要素的图像转换成文本；以及第三扩散模型模块653，被配置为将多个渲染图像输入到第三扩散模型中，以文本作为用于生成第二模型表征的基准，朝向基准调整第二模型表征。
116.在示例中，第三扩散模型中可以嵌入有风格化模型，以使得经调整的第二模型表征包括风格化信息。
117.根据本公开的另一方面，还提供一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，指
令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例中的方法。
118.根据本公开的另一方面，还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中计算机指令用于使计算机执行上述实施例中的方法。
119.根据本公开的另一方面，还提供一种计算机程序产品，包括计算机程序，其中计算机程序在被处理器执行时实现上述实施例中的方法。
120.根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
121.参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
122.如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
123.设备700中的多个部件连接至i/o接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙tm设备、802.11设备、wifi设备、wimax设备、蜂窝通信设备和/或类似物。
124.计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如三维模型生成方法。例如，在一些实施例中，三维模型生成方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到ram 703并由计算单元701执行时，可以执行上文描述的三维模型生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行三维模型生成方法。
125.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
126.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
127.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
128.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
129.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、互联网和区块链网络。
130.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
131.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例
如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
132.虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

技术特征：
1.一种三维模型生成方法，包括：获取用户针对待生成的目标三维模型提供的约束要素；基于所述约束要素，生成所述目标三维模型的第一模型表征，其中，所述第一模型表征包括所述目标三维模型的初始形状信息和初始纹理信息；将所述第一模型表征转换为能够被调整的第二模型表征；基于所述第二模型表征，生成所述目标三维模型的多个渲染图像，其中，所述多个渲染图像分别对应于多个视角；以及基于所述多个渲染图像和所述约束要素，调整所述第二模型表征以生成所述目标三维模型。2.根据权利要求1所述的方法，其中，所述约束要素包括用于描述所述目标三维模型的文本或图像。3.根据权利要求2所述的方法，其中，响应于所述约束要素包括所述文本，所述基于所述约束要素，生成所述目标三维模型的第一模型表征，包括：以所述文本作为用于生成所述第一模型表征的基准，经由神经辐射场nerf渲染得到所述第一模型表征。4.根据权利要求3所述的方法，其中，所述以所述文本作为生成所述第一模型表征的基准，经由神经辐射场nerf渲染得到所述第一模型表征，包括：将所述神经辐射场nerf渲染中生成的图像输入到第一扩散模型中，以朝向所述基准调整所述第一模型表征。5.根据权利要求4所述的方法，其中，所述神经辐射场nerf渲染中生成的所述图像以潜在编码的形式表征。6.根据权利要求4或5所述的方法，其中，所述第一模型表征还包括所述目标三维模型的风格化信息，所述风格化信息是基于嵌入在所述第一扩散模型中的风格化模型得到的。7.根据权利要求3至6中任一项所述的方法，其中，所述基于所述多个渲染图像和所述约束要素，调整所述第二模型表征以生成所述目标三维模型，包括：将所述多个渲染图像输入到第二扩散模型中，以所述文本作为用于生成所述第二模型表征的基准，朝向所述基准调整所述第二模型表征。8.根据权利要求2所述的方法，其中，响应于所述约束要素包括所述图像，所述基于所述约束要素，生成所述目标三维模型的第一模型表征，包括：将所述图像输入到三维内容生成模型中，以获得所述目标三维模型的所述初始形状信息；以及基于所述图像，经由多层感知器mlp获得所述目标三维模型的所述初始纹理信息。9.根据权利要求8所述的方法，其中，所述基于所述多个渲染图像和所述约束要素，调整所述第二模型表征以生成所述目标三维模型，包括：将作为所述约束要素的所述图像转换成文本；以及将所述多个渲染图像输入到第三扩散模型中，以所述文本作为用于生成所述第二模型表征的基准，朝向所述基准调整所述第二模型表征。10.根据权利要求9所述的方法，其中，所述第三扩散模型中嵌入有风格化模型，以使得经调整的所述第二模型表征包括风格化信息。
11.根据权利要求1至10中任一项所述的方法，其中，所述第一模型表征包括三维模型网格，所述第二模型表征包括深度移动四面体dmtet。12.一种三维模型生成装置，包括：约束要素获取模块，被配置为获取用户针对待生成的目标三维模型提供的约束要素；模型表征生成模块，被配置为基于所述约束要素，生成所述目标三维模型的第一模型表征，其中，所述第一模型表征包括所述目标三维模型的初始形状信息和初始纹理信息；模型表征转换模块，被配置为将所述第一模型表征转换为能够被调整的第二模型表征；渲染图像生成模块，被配置为基于所述第二模型表征，生成所述目标三维模型的多个渲染图像，其中，所述多个渲染图像分别对应于多个视角；以及三维模型生成模块，被配置为基于所述多个渲染图像和所述约束要素，调整所述第二模型表征以生成所述目标三维模型。13.根据权利要求12所述的装置，其中，所述约束要素包括用于描述所述目标三维模型的文本或图像。14.根据权利要求13所述的装置，其中，所述模型表征生成模块包括：模型表征渲染模块，被配置为响应于所述约束要素包括所述文本，以所述文本作为用于生成所述第一模型表征的基准，经由神经辐射场nerf渲染得到所述第一模型表征。15.根据权利要求14所述的装置，其中，所述模型表征渲染模块包括：第一扩散模型模块，被配置为将所述神经辐射场nerf渲染中生成的图像输入到第一扩散模型中，以朝向所述基准调整所述第一模型表征。16.根据权利要求15所述的装置，其中，所述神经辐射场nerf渲染中生成的所述图像以潜在编码的形式表征。17.根据权利要求15或16所述的装置，其中，所述第一模型表征还包括所述目标三维模型的风格化信息，所述风格化信息是基于嵌入在所述第一扩散模型中的风格化模型得到的。18.根据权利要求14至17中任一项所述的装置，其中，所述三维模型生成模块包括：第二扩散模型模块，被配置为将所述多个渲染图像输入到第二扩散模型中，以所述文本作为用于生成所述第二模型表征的基准，朝向所述基准调整所述第二模型表征。19.根据权利要求13所述的装置，其中，所述模型表征生成模块还包括：初始形状信息获取模块，被配置为响应于所述约束要素包括所述图像，将所述图像输入到三维内容生成模型中，以获得所述目标三维模型的所述初始形状信息；以及初始纹理信息获取模块，被配置为基于所述图像，经由多层感知器mlp获得所述目标三维模型的所述初始纹理信息。20.根据权利要求19所述的装置，其中，所述三维模型生成模块还包括：约束要素转换模块，被配置为将作为所述约束要素的所述图像转换成文本；以及第三扩散模型模块，被配置为将所述多个渲染图像输入到第三扩散模型中，以所述文本作为用于生成所述第二模型表征的基准，朝向所述基准调整所述第二模型表征。21.根据权利要求20所述的装置，其中，所述第三扩散模型中嵌入有风格化模型，以使得经调整的所述第二模型表征包括风格化信息。
22.根据权利要求12至21中任一项所述的装置，其中，所述第一模型表征包括三维模型网格，所述第二模型表征包括深度移动四面体dmtet。23.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有能够被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行根据权利要求1-11中任一项所述的方法。24.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-11中任一项所述的方法。25.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现根据权利要求1-11中任一项所述的方法。

技术总结
本公开提供了一种三维模型生成方法、装置和电子设备，涉及人工智能技术领域，尤其涉及计算机视觉、增强现实、虚拟现实、深度学习等技术领域，可应用于元宇宙、数字人等场景。实现方案为：获取用户针对待生成的目标三维模型提供的约束要素；基于约束要素，生成目标三维模型的第一模型表征，其中，第一模型表征包括目标三维模型的初始形状信息和初始纹理信息；将第一模型表征转换为能够被调整的第二模型表征；基于第二模型表征，生成目标三维模型的多个渲染图像，其中，多个渲染图像分别对应于多个视角；以及基于多个渲染图像和约束要素，调整第二模型表征以生成目标三维模型。二模型表征以生成目标三维模型。二模型表征以生成目标三维模型。


技术研发人员：吴进波 刘星
受保护的技术使用者：北京百度网讯科技有限公司
技术研发日：2023.06.30
技术公布日：2023/10/8