CVPR 2025 | VAST和北航开源MIDI，从单张图像端到端生成三维组合场景
本文的主要作者来自 VAST、北京航空航天大学、清华大学和香港大学。本文的第一作者为北京航空航天大学硕士生黄泽桓，主要研究方向为生成式人工智能和三维视觉。本文的通讯作者为 VAST 首席科学家曹炎培和北京航空航天大学副教授盛律。
在 Sora 引爆世界模型技术革命的当下，3D 场景作为物理世界的数字基座，正成为构建动态可交互 AI 系统的关键基础设施。当前，单张图像生成三维资产的技术突破，已为三维内容生产提供了 "从想象到三维" 的原子能力。
然而，当技术演进到组合式场景生成维度时，单物体生成范式的局限性开始凸显：现有方法生成的 3D 资产如同散落的 "数字原子"，难以自组织成具有合理空间关系的 "分子结构"。这导致几个核心挑战：① 实例分离困境（如何从单视图准确解耦交叠物体）② 物理约束建模（如何避免穿模的不合理交互）③ 场景级语义理解（如何保持物体功能与空间布局的一致性）。这些瓶颈严重制约着从 "数字原子" 到 "可交互世界" 的构建效率。
最近，来自北航、VAST 等机构的研究团队推出了全新的模型 —— MIDI，它能够从单张图像生成高几何质量、实例可分离的 3D 组合场景，在单视图 3D 场景生成领域取得了突破性进展，为可交互世界生成奠定基础。
- 论文链接：https://arxiv.org/abs/2412.03558
- 项目主页：https://huanngzh.github.io/MIDI-Page/
- 代码仓库：https://github.com/VAST-AI-Research/MIDI-3D
- 在线 Demo：https://huggingface.co/spaces/VAST-AI/MIDI-3D
技术突破：从单张图像到三维组合场景的关键创新
传统的组合式 3D 场景重建技术往往依赖于多阶段的逐个物体生成和场景优化，流程冗长且生成的场景往往几何质量低、空间布局不准确。为解决这些问题，MIDI （Multi-Instance Diffusion Model）创新性地利用了三维物体生成模型，将其扩展为多实例扩散模型，能够同时生成具有精确空间关系的多个 3D 实例，实现了高效高质量的 3D 场景生成：
- 单物体到多实例生成的跨越：通过同时去噪多个 3D 实例的潜在表示，并在去噪过程中引入多实例标记之间的交互，MIDI 将 3D 物体生成模型扩展至同时生成有交互建模的多实例，而后直接组合为 3D 场景。
- 多实例自注意力机制：通过将物体生成模型的自注意力扩展至多实例自注意力，MIDI 在生成过程中有效捕获实例间的空间关联和整体场景的连贯性，而无需逐场景的布局优化。
- 训练阶段的数据增强：通过使用有限的场景数据监督 3D 实例间的交互，同时结合物体数据进行增强训练，MIDI 有效建模场景布局的同时保持了预训练的泛化能力。
效果展示
基于单张图像，MIDI 可以生成高质量的组合式 3D 场景：
在线演示
，时长
00:21
卓越性能：在几何质量和空间布局等多个维度上表现突出
MIDI 的主要特点在于其精确的空间布局建模、卓越的几何生成质量、生成的高效性和广泛的适用性。实验结果显示，该模型在多个数据集上的表现超越现有方法，包括 3D 实例间的空间关系、3D 实例生成的几何质量、以及端到端的生成速度均取得了优异的表现。
，时长
00:26
应用场景：3D 场景内容创作的新工具
MIDI 的出现为 3D 场景的创作提供了一种崭新的解决方案。在建筑设计、虚拟现实、影视特效以及游戏开发等领域，该技术展现了广阔的应用潜力。通过具备高准确度、高几何质量的 3D 场景生成能力，MIDI 能够满足复杂场景中对高质量内容的需求，为创作者带来更多可能性。
未来展望
尽管模型表现优异，MIDI 研发团队深知仍有许多值得提升和探索的方向。例如，进一步优化对复杂交互场景的适配能力、提升物体生成的精细度等，都是未来努力的重点。希望通过不断改进和完善，让这一研发思路不仅推动单视图生成组合 3D 场景技术的进步，也能为 3D 技术在实际应用中的广泛普及贡献力量。