GEN3C: Генерация согласованных с миром 3D-видео с точным управлением камерой

GEN3C: 3D-Informed World-Consistent Video Generation with Precise Camera Control

March 5, 2025

Авторы: Xuanchi Ren, Tianchang Shen, Jiahui Huang, Huan Ling, Yifan Lu, Merlin Nimier-David, Thomas Müller, Alexander Keller, Sanja Fidler, Jun Gao

cs.AI

Аннотация

Мы представляем GEN3C — генеративную модель видео с точным управлением камерой и временной 3D-согласованностью. Существующие модели видео уже способны создавать реалистичные ролики, но они редко используют 3D-информацию, что приводит к несоответствиям, таким как внезапное появление и исчезновение объектов. Управление камерой, если оно вообще реализовано, является неточным, поскольку параметры камеры просто подаются на вход нейронной сети, которая затем должна самостоятельно выводить, как видео зависит от камеры. В отличие от этого, GEN3C управляется 3D-кэшем: облаками точек, полученными путем предсказания глубины пикселей исходных изображений или ранее сгенерированных кадров. При создании следующих кадров GEN3C учитывает 2D-визуализации 3D-кэша с новой траекторией камеры, заданной пользователем. Это означает, что GEN3C не нужно запоминать ранее сгенерированные данные или выводить структуру изображения из положения камеры. Вместо этого модель может сосредоточить всю свою генеративную мощность на ранее не наблюдавшихся областях, а также на переходе состояния сцены к следующему кадру. Наши результаты демонстрируют более точное управление камерой по сравнению с предыдущими работами, а также передовые результаты в синтезе новых видов из разреженных данных, даже в сложных условиях, таких как сцены вождения и монохромные динамические видео. Результаты лучше всего оценивать в видеороликах. Посетите нашу веб-страницу! https://research.nvidia.com/labs/toronto-ai/GEN3C/

English

We present GEN3C, a generative video model with precise Camera Control and temporal 3D Consistency. Prior video models already generate realistic videos, but they tend to leverage little 3D information, leading to inconsistencies, such as objects popping in and out of existence. Camera control, if implemented at all, is imprecise, because camera parameters are mere inputs to the neural network which must then infer how the video depends on the camera. In contrast, GEN3C is guided by a 3D cache: point clouds obtained by predicting the pixel-wise depth of seed images or previously generated frames. When generating the next frames, GEN3C is conditioned on the 2D renderings of the 3D cache with the new camera trajectory provided by the user. Crucially, this means that GEN3C neither has to remember what it previously generated nor does it have to infer the image structure from the camera pose. The model, instead, can focus all its generative power on previously unobserved regions, as well as advancing the scene state to the next frame. Our results demonstrate more precise camera control than prior work, as well as state-of-the-art results in sparse-view novel view synthesis, even in challenging settings such as driving scenes and monocular dynamic video. Results are best viewed in videos. Check out our webpage! https://research.nvidia.com/labs/toronto-ai/GEN3C/