近日，英特尔研究院宣布与blockade labs合作发布ldm3d（latent diffusion model for 3d）模型，这一全新的扩散模型使用生成式ai创建3d视觉内容。ldm3d是业界领先的利用扩散过程（diffusion process）生成深度图（depth map）的模型，进而生成逼真的、沉浸式的360度全景图。ldm3d有望革新内容创作、元宇宙应用和数字体验，改变包括娱乐、游戏、建筑和设计在内的许多行业。
英特尔研究院人工智能和机器学习研究专家vasudev lal表示：“生成式ai技术旨在提高和增强人类创造力，并节省时间。然而，目前的大部分生成式ai模型仅限于生成2d图像，仅有少数几种可根据文本提示生成3d图像。在使用几乎相同数量参数的情况下，不同于现存的潜在扩散模型，ldm3d可以根据用户给定的文本提示同时生成图像和深度图。与深度估计中的标准后处理方法相比，ldm3d能够为图像中的每个像素提供更精准的相对深度，并为开发者省去了大量用于场景开发的时间。”
封闭的生态系统限制了规模。英特尔致力于推动ai的真正普及，通过开放的生态系统让更多人从这项技术中受益。计算机视觉领域近年来取得了重大进展，特别是在生成式ai方面。然而，当今许多先进的生成式ai模型只能生成2d图像。与通常只能根据文本提示生成2d rgb图像的现有扩散模型不同，ldm3d可以根据用户给定的文本提示同时生成图像和深度图。与深度估计（depth estimation）中的标准后处理（post-processing）方法相比，ldm3d在使用与潜在扩散模型stable diffusion几乎相同数量参数的情况下，能够为图像中的每个像素提供更精准的相对深度（relative depth）。
这项研究有望改变我们与数字内容的互动方式，基于文本提示为用户提供全新的体验。ldm3d生成的图像和深度图能够将诸如宁静的热带海滩、摩天大楼、科幻宇宙等文本描述转化为细致的360度全景图。ldm3d捕捉深度信息的能力，可以即时增强整体真实感和沉浸感，使各行各业的创新应用成为可能，包括娱乐、游戏、室内设计、房产销售，以及虚拟博物馆与沉浸式vr体验等。
6月20日，在ieee/cvf计算机视觉和模式识别会议（cvpr）的3dmv工作坊上，ldm3d模型获得了“best poster award”
ldm3d是在laion-400m数据集包含一万个样本的子集上训练而成的。laion-400m是一个大型图文数据集，包含超过4亿个图文对。对训练语料库进行标注时，研究团队使用了之前由英特尔研究院开发的稠密深度估计模型dpt-large，为图像中的每个像素提供了高度准确的相对深度。laion-400m数据集是基于研究用途创建而成的，以便广大研究人员和其它兴趣社群能在更大规模上测试模型训练。
ldm3d模型在一台英特尔ai超级计算机上完成了训练，该超级计算机由英特尔®至强®处理器和英特尔®habana gaudi®ai加速器驱动。最终的模型和流程整合了rgb图像和深度图，生成360度全景图，实现了沉浸式体验。
为了展示ldm3d的潜力，英特尔和blockade的研究人员开发了应用程序depthfusion，通过标准的2d rgb图像和深度图创建沉浸式、交互式的360度全景体验。depthfusion利用了touchdesigner，一种基于节点的可视化编程语言，用于实时互动多媒体内容，可将文本提示转化为交互式和沉浸式数字体验。ldm3d是能生成rgb图像及其深度图的单一模型，因此能够节省内存占用和降低延迟。
ldm3d和depthfusion的发布，为多视角生成式ai和计算机视觉的进一步发展铺平了道路。英特尔将继续探索如何使用生成式ai增强人类能力，并致力于打造一个强大的开源ai研发生态系统，让更多人能够使用ai技术。延续英特尔对开放ai生态系统的大力支持，ldm3d正在通过huggingface进行开源，让ai研究人员和从业者能对这一系统作出进一步改进，并针对特定应用进行微调。
在2023年6月18日至22日举行的ieee/cvf计算机视觉和模式识别会议上，英特尔将发表这项研究成果。欲了解更多信息，请参考论文《ldm3d:latent diffusion model for 3d》。
英特尔研究院人工智能和机器学习研究专家vasudev lal表示：“生成式ai技术旨在提高和增强人类创造力，并节省时间。然而，目前的大部分生成式ai模型仅限于生成2d图像，仅有少数几种可根据文本提示生成3d图像。在使用几乎相同数量参数的情况下，不同于现存的潜在扩散模型，ldm3d可以根据用户给定的文本提示同时生成图像和深度图。与深度估计中的标准后处理方法相比，ldm3d能够为图像中的每个像素提供更精准的相对深度，并为开发者省去了大量用于场景开发的时间。”
封闭的生态系统限制了规模。英特尔致力于推动ai的真正普及，通过开放的生态系统让更多人从这项技术中受益。计算机视觉领域近年来取得了重大进展，特别是在生成式ai方面。然而，当今许多先进的生成式ai模型只能生成2d图像。与通常只能根据文本提示生成2d rgb图像的现有扩散模型不同，ldm3d可以根据用户给定的文本提示同时生成图像和深度图。与深度估计（depth estimation）中的标准后处理（post-processing）方法相比，ldm3d在使用与潜在扩散模型stable diffusion几乎相同数量参数的情况下，能够为图像中的每个像素提供更精准的相对深度（relative depth）。
这项研究有望改变我们与数字内容的互动方式，基于文本提示为用户提供全新的体验。ldm3d生成的图像和深度图能够将诸如宁静的热带海滩、摩天大楼、科幻宇宙等文本描述转化为细致的360度全景图。ldm3d捕捉深度信息的能力，可以即时增强整体真实感和沉浸感，使各行各业的创新应用成为可能，包括娱乐、游戏、室内设计、房产销售，以及虚拟博物馆与沉浸式vr体验等。
6月20日，在ieee/cvf计算机视觉和模式识别会议（cvpr）的3dmv工作坊上，ldm3d模型获得了“best poster award”
ldm3d是在laion-400m数据集包含一万个样本的子集上训练而成的。laion-400m是一个大型图文数据集，包含超过4亿个图文对。对训练语料库进行标注时，研究团队使用了之前由英特尔研究院开发的稠密深度估计模型dpt-large，为图像中的每个像素提供了高度准确的相对深度。laion-400m数据集是基于研究用途创建而成的，以便广大研究人员和其它兴趣社群能在更大规模上测试模型训练。
ldm3d模型在一台英特尔ai超级计算机上完成了训练，该超级计算机由英特尔®至强®处理器和英特尔®habana gaudi®ai加速器驱动。最终的模型和流程整合了rgb图像和深度图，生成360度全景图，实现了沉浸式体验。
为了展示ldm3d的潜力，英特尔和blockade的研究人员开发了应用程序depthfusion，通过标准的2d rgb图像和深度图创建沉浸式、交互式的360度全景体验。depthfusion利用了touchdesigner，一种基于节点的可视化编程语言，用于实时互动多媒体内容，可将文本提示转化为交互式和沉浸式数字体验。ldm3d是能生成rgb图像及其深度图的单一模型，因此能够节省内存占用和降低延迟。
ldm3d和depthfusion的发布，为多视角生成式ai和计算机视觉的进一步发展铺平了道路。英特尔将继续探索如何使用生成式ai增强人类能力，并致力于打造一个强大的开源ai研发生态系统，让更多人能够使用ai技术。延续英特尔对开放ai生态系统的大力支持，ldm3d正在通过huggingface进行开源，让ai研究人员和从业者能对这一系统作出进一步改进，并针对特定应用进行微调。
在2023年6月18日至22日举行的ieee/cvf计算机视觉和模式识别会议上，英特尔将发表这项研究成果。欲了解更多信息，请参考论文《ldm3d:latent diffusion model for 3d》。
责任编辑：
