GEN3C: 3D-geïnformeerde wereldconsistente videogeneratie met precieze camerabesturing

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

March 5, 2025

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

cs.AI

Samenvatting

We presenteren GEN3C, een generatief videomodel met precieze Camera Control en tijdelijke 3D Consistentie. Bestaande videomodellen genereren al realistische video's, maar ze maken weinig gebruik van 3D-informatie, wat leidt tot inconsistenties, zoals objecten die plotseling verschijnen en verdwijnen. Camera controle, als deze überhaupt wordt geïmplementeerd, is onnauwkeurig, omdat cameraparameters slechts inputs zijn voor het neuraal netwerk, dat vervolgens moet afleiden hoe de video afhangt van de camera. In tegenstelling hiermee wordt GEN3C geleid door een 3D cache: puntenwolken verkregen door het voorspellen van de pixelgewijze diepte van seed-afbeeldingen of eerder gegenereerde frames. Bij het genereren van de volgende frames wordt GEN3C geconditioneerd op de 2D-weergaven van de 3D cache met het nieuwe cameratraject dat door de gebruiker wordt verstrekt. Cruciaal is dat dit betekent dat GEN3C noch hoeft te onthouden wat het eerder heeft gegenereerd, noch de beeldstructuur hoeft af te leiden uit de camerapositie. Het model kan in plaats daarvan al zijn generatieve kracht richten op eerder niet waargenomen gebieden, evenals het voortbewegen van de scène naar het volgende frame. Onze resultaten tonen een nauwkeurigere camerabesturing dan eerder werk, evenals state-of-the-art resultaten in sparse-view novel view synthesis, zelfs in uitdagende omgevingen zoals rijsimulaties en monodynamische video. De resultaten zijn het beste te bekijken in video's. Bekijk onze webpagina! 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/