只需要一行字的黑科技！UC 伯克利提出 Instruct-NeRF2NeRF，一键图像编辑进阶一键 3D 场景编辑。
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。
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。
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：
在训练视角下从场景中渲染出一张图像。
使用 InstructPix2Pix 模型根据全局文本指令对该图像进行编辑。
用编辑后的图像替换训练数据集中的原始图像。
NeRF 模型按照往常继续进行训练。
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！
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。
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
本文来自微信公众号：新智元 （ID：AI_era）
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。