在現(xiàn)代人工智能的發(fā)展中，如何讓模型在生成質(zhì)量與物理一致性之間取得平衡，已成為實現(xiàn)真實可控內(nèi)容生成的關(guān)鍵問題，尤其在三維內(nèi)容創(chuàng)作、虛擬現(xiàn)實與影視特效等對光照一致性要求極高的應(yīng)用中尤為重要。盡管現(xiàn)有的文本到圖像生成模型（Text-to-Image Models）在視覺表現(xiàn)上已能生成極其逼真的結(jié)果，但其生成的圖像通常包含烘烤光照（baked-in lighting），導(dǎo)致生成內(nèi)容無法適配不同光照環(huán)境或進行物理編輯。本文介紹一篇來自慕尼黑工業(yè)大學(xué)的最新工作，剛剛發(fā)表在人工智能頂會NeurIPS 2025上。該工作提出了一種基于圖像先驗的高質(zhì)量PBR生成方法IntrinsiX，通過引入跨模態(tài)注意力機制與可微分渲染監(jiān)督，實現(xiàn)了從文本直接生成可重光照的貼圖。IntrinsiX 在視覺真實感和細節(jié)一致性上顯著優(yōu)于傳統(tǒng)反向渲染方法，為通用生成模型向物理世界一致性邁出了重要一步。

論文題目： IntrinsiX:High-Quality PBR Generation using Image Priors 文章鏈接： https://arxiv.org/abs/2504.01008

物理基礎(chǔ)渲染（Physically-Based Rendering, PBR）貼圖是計算機圖形學(xué)中用于精確描述物體表面光學(xué)屬性的一組參數(shù)映射，共同定義了材質(zhì)在光照下的真實視覺效果。典型的PBR貼圖包括 Albedo（反射率）、Normal（法線）、Roughness（表面粗糙度）和 Metallic（金屬度） 四種。這些貼圖分別控制了物體的顏色反射、幾何微結(jié)構(gòu)、光線散射以及金屬反射特性。PBR使得渲染系統(tǒng)能夠通過物理一致的方式模擬光與物體表面的交互，從而生成具有真實光照變化和質(zhì)感細節(jié)的圖像。

當(dāng)前主流的文本生成圖像模型生成的圖像是帶有“烘焙光照”的RGB圖像，即圖像中已經(jīng)包含了光照、陰影、高光等效果，導(dǎo)致生成內(nèi)容無法直接用于游戲、虛擬現(xiàn)實（VR）等需要動態(tài)調(diào)整光照或編輯材質(zhì)的場景，這類場景通常依賴獨立的PBR映射圖來實現(xiàn)物理真實的渲染效果。此外，傳統(tǒng)的圖像分解方法（如 IID [1]、RGBX [2]）雖能從RGB圖像中分離出PBR組件，但存在兩大固有缺陷：

1. 歧義性 ：從單張RGB圖像反推PBR組件的數(shù)學(xué)解不唯一，易導(dǎo)致結(jié)果過度平滑或細節(jié)丟失。

2. 泛化能力弱 ：這類方法多基于合成數(shù)據(jù)集訓(xùn)練，對真實世界或分布外場景的分解效果差，且無法處理大規(guī)模3D場景的PBR生成需求。

下圖為IntrinsiX方法的整體框架圖，IntrinsiX采用兩階段訓(xùn)練 + 對齊的整體設(shè)計。在階段一中，分別為反射率、法線以及粗糙度與金屬度獨立訓(xùn)練 LoRA 模型，以學(xué)習(xí)各自的分布特征。在階段二中，通過內(nèi)在交叉注意力實現(xiàn)不同組件間的語義對齊，并結(jié)合渲染損失約束其物理一致性，從而實現(xiàn)從文本輸入到四張高質(zhì)量 PBR 映射圖的聯(lián)合生成。

2.1 階段 一：PBR 先驗訓(xùn)練

該階段的訓(xùn)練目標是讓預(yù)訓(xùn)練的文本圖像生成模型分別學(xué)習(xí)反射率 、法線 、粗糙度與金屬度 的生成規(guī)律。具體做法是在每個 attention block 中注入 LoRA 層，以捕獲各 PBR 模態(tài)的特征分布。

該階段采用條件流匹配損失（Conditional Flow Matching Loss）優(yōu)化LoRA參數(shù)，該損失用于擴散模型的生成過程，公式如下：

2.2 階段二：PBR 先驗對齊

階段一中訓(xùn)練得到的獨立LoRA模型雖然能夠分別生成各自的PBR組件，但其結(jié)果在語義上并不一致。為此，階段二通過內(nèi)在交叉注意力與RGB渲染損失實現(xiàn)了語義對齊與物理一致性約束。

（1）內(nèi)在交叉注意力：在DiT的每個 block 中，作者用跨模態(tài)注意力替代標準的 self-attention，將不同模態(tài)的 query、key、value 拼接在序列維度上，使各PBR模態(tài)在一次去噪前向傳播中能夠相互傳遞信息，從而實現(xiàn)語義對齊。其計算形式如下：

這種機制確保模型在生成每個模態(tài)時能夠參考其他模態(tài)的特征信息，避免局部結(jié)構(gòu)的不一致問題。

（2）RGB 渲染損失：盡管內(nèi)在交叉注意力保證了語義對齊，但仍無法確保各PBR模態(tài)在物理層面合理。因此，作者引入基于簡化 Disney BRDF 模型的渲染損失，用生成的PBR組件重建對應(yīng)的RGB圖像，計算公式為：

其中, 表示BRDF函數(shù)， 為生成的PBR組件集合， 與 分別表示入射光強與方向。最終的渲染損失結(jié)合了像素級的L2誤差與感知損失，以同時保證圖像的數(shù)值準確性與視覺真實感：

通過這一機制，模型在優(yōu)化過程中被迫生成符合物理規(guī)律的PBR映射圖，從而在保持語義一致的同時提升整體物理可信度。

三、實驗結(jié)果

本文在圖像編輯生成和PBR場景紋理生成兩大關(guān)鍵下游應(yīng)用中驗證了IntrinsiX方法的實用性。本文的對比實驗選取了三種典型的反向渲染方法IID、RGBX和ColorfulShading，這些方法通過從RGB圖像分解出PBR貼圖來重建，而IntrinsiX則采用直接生成式建模策略。評估指標包括定量與感知兩類，F(xiàn)ID（A-ID-FID 與 A-OOD-FID）用于衡量生成圖像的分布差異，R-PQ、S-PQ與PC分別評估渲染質(zhì)量、語義一致性及物理合理性，同時通過用戶偏好指標A-PP衡量主觀感知效果。

3.1 定量分析

上表的實驗結(jié)果充分展示了IntrinsiX在生成質(zhì)量與實用性方面的綜合優(yōu)勢。盡管在分布內(nèi)場景（A-ID-FID）的反照率生成質(zhì)量上略低于最優(yōu)基線，IntrinsiX在更具實際意義的分布外泛化能力（A-OOD-FID）上表現(xiàn)最佳，顯示出優(yōu)異的場景適應(yīng)能力。此外，其生成的反照率（A-PP）與渲染效果（R-PQ、S-PQ）均獲得顯著偏好，反映出所生成PBR貼圖在物理正確性與視覺感知質(zhì)量上的突出表現(xiàn)。消融實驗同時驗證，內(nèi)在交叉注意力機制與渲染損失作為核心組件，對生成語義清晰、細節(jié)豐富的結(jié)果具有關(guān)鍵作用。

3.2 定性評估

下圖展示了IntrinsiX與基于RGB圖像輸入的圖像分解方法（如IID、RGBX）的生成效果對比。

實驗結(jié)果顯示，傳統(tǒng)分解方法受限于合成室內(nèi)數(shù)據(jù)集的訓(xùn)練分布，在面對“卡通民謠歌手”等分布外場景時，其分解結(jié)果易出現(xiàn)細節(jié)模糊（粗糙度圖紋理缺失）與語義不一致（反照率圖中殘留非本征陰影）等問題。相比之下，IntrinsiX生成了語義更準確、細節(jié)更豐富的PBR貼圖，其反照率圖純凈無陰影殘留，粗糙度與金屬度圖也表現(xiàn)出更高的清晰度與材質(zhì)區(qū)分度。

3.3 圖像編輯生成效果

IntrinsiX生成的PBR貼圖可直接接入標準物理渲染，實現(xiàn)靈活的編輯與渲染。如上圖所示，IntrinsiX在三種典型編輯任務(wù)中均表現(xiàn)出優(yōu)異性能。

1) 重新打光：在固定光源高度下旋轉(zhuǎn)其方向，場景的光影與陰影能夠隨之自然、連貫地變化。2) 反照率編輯：例如降低月亮顏色的飽和度，編輯后的表面屬性能與動態(tài)光照無縫融合。3) 鏡面反射編輯：通過降低粗糙度并提高金屬度值，可使宇航員頭盔等區(qū)域產(chǎn)生更強烈、準確的鏡面高光。

所有這些編輯效果均能隨光源角度變化而保持一致性與物理合理性，充分證明了IntrinsiX在光影控制與材質(zhì)屬性編輯方面出色的靈活性與實用性。

3.4 場景紋理生成效果

上圖展示了IntrinsiX為三維場景生成PBR紋理的流程與效果。IntrinsiX通過分數(shù)蒸餾采樣技術(shù)，以場景幾何信息（如法線貼圖）為條件進行迭代優(yōu)化，可以自動生成風(fēng)格統(tǒng)一的全套PBR貼圖。生成的漫反射、粗糙度、金屬度及法線貼圖細節(jié)豐富，使得最終渲染的室內(nèi)場景在多種光照條件下均表現(xiàn)出高度的真實感與視覺一致性。這充分證明了IntrinsiX能夠?qū)⑽谋久枋鲇行У剞D(zhuǎn)化為可直接用于游戲或VR應(yīng)用的全場景PBR，顯著降低了高質(zhì)量場景紋理制作的技術(shù)門檻。

四、總結(jié)

本文提出的IntrinsiX方法，首次實現(xiàn)了從文本描述直接生成高質(zhì)量PBR材質(zhì)貼圖的突破。其核心創(chuàng)新在于一個兩階段訓(xùn)練策略。IntrinsiX首先利用LoRA技術(shù)為各類材質(zhì)屬性分別訓(xùn)練獨立的生成先驗，隨后引入內(nèi)在交叉注意力機制與基于物理渲染的損失函數(shù)，實現(xiàn)多模態(tài)材質(zhì)的語義對齊與協(xié)同生成。生成質(zhì)量媲美甚至超越現(xiàn)有文本生圖模型，且在圖像編輯、場景紋理生成等下游任務(wù)均有不錯的表現(xiàn)，未來可以為游戲、VR可編輯內(nèi)容等領(lǐng)域的創(chuàng)作開辟高效的新路徑。

參考

[1] Kocsis P, Sitzmann V, Nie?ner M. Intrinsic image diffusion for indoor single-view material estimation[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2024: 5198-5208.

[2] Zheng Zeng, Valentin Deschaintre, Iliyan Georgiev, Yannick Hold-Geoffroy, Yiwei Hu, Fujun Luan, Ling-Qi Yan, and Milos Hasan. Rgb?x: Image decomposition and synthesis using material- and lighting-aware diffusion models. In ACM SIGGRAPH 2024 Conference Papers, SIGGRAPH 2024, Denver, CO, USA, 27 July 2024- 1 August 2024, page 75. ACM, 2024.

llustration From IconScout By IconScout Store

-The End-

掃碼觀看！

本周上新！

“AI技術(shù)流”原創(chuàng)投稿計劃

TechBeat是由將門創(chuàng)投建立的AI學(xué)習(xí)社區(qū)（www.techbeat.net）。社區(qū)上線700+期talk視頻，3000+篇技術(shù)干貨文章，方向覆蓋CV/NLP/ML/Robotis等；每月定期舉辦頂會及其他線上交流活動，不定期舉辦技術(shù)人線下聚會交流活動。我們正在努力成為AI人才喜愛的高質(zhì)量、知識型交流平臺，希望為AI人才打造更專業(yè)的服務(wù)和體驗，加速并陪伴其成長。

投稿內(nèi)容

// 最新技術(shù)解讀/系統(tǒng)性知識分享 //

// 前沿資訊解說/心得經(jīng)歷講述 //

投稿須知

稿件需要為原創(chuàng)文章，并標明作者信息。

我們會選擇部分在深度技術(shù)解析及科研心得方向，對用戶啟發(fā)更大的文章，做原創(chuàng)性內(nèi)容獎勵

投稿方式

發(fā)送郵件到

michellechang@thejiangmen.com

或添加工作人員微信（michelle333_）投稿，溝通投稿詳情

關(guān)于我“門”

將門是一家以專注于數(shù)智核心科技領(lǐng)域的新型創(chuàng)投機構(gòu)，也是北京市標桿型孵化器。 公司致力于通過連接技術(shù)與商業(yè)，發(fā)掘和培育具有全球影響力的科技創(chuàng)新企業(yè)，推動企業(yè)創(chuàng)新發(fā)展與產(chǎn)業(yè)升級。

將門成立于2015年底，創(chuàng)始團隊由微軟創(chuàng)投在中國的創(chuàng)始團隊原班人馬構(gòu)建而成，曾為微軟優(yōu)選和深度孵化了126家創(chuàng)新的技術(shù)型創(chuàng)業(yè)公司。

如果您是技術(shù)領(lǐng)域的初創(chuàng)企業(yè)，不僅想獲得投資，還希望獲得一系列持續(xù)性、有價值的投后服務(wù)，歡迎發(fā)送或者推薦項目給我“門”:

bp@thejiangmen.com

點擊右上角，把文章分享到朋友圈