现有的多视图图像生成方法往往需要对预训练的文本到图像（T2I）模型进行大幅度的改动，还需要全面微调，这带来了两个主要问题：计算成本高，特别是在处理大型基础模型和高分辨率图像时，这种方法非常耗资源；图像质量下降，由于优化过程困难以及高质量3D数据稀缺，生成的图像质量常常无法达到预期。
基于以上问题，北航提出了第一个基于适配器的多视图图像生成解决方案，名为MV-Adapter。它是一种多功能的即插即用适配器，能够在不改变原有网络结构或特征空间的情况下增强T2I模型及其衍生模型。MV-Adapter 在 Stable Diffusion XL (SDXL) 上实现了高达768分辨率的多视图图像生成，并展示了出色的适应性和多功能性。它还能扩展到任意视角生成，为更广泛的应用打开了新大门。（链接在文章底部）
01 技术原理
MV-Adapter 是一种即插即用的适配器，能够学习多视图的先验知识，并将这些知识迁移到 T2I 模型的不同变体中，无需特别调整。它让 T2I 模型在各种条件下生成多视图一致的图像。
打开网易新闻 查看精彩图片
在推理阶段，MV-Adapter 包含一个条件引导器（黄色部分）和解耦注意力层（蓝色部分）。它可以直接插入到定制版或简化版的 T2I 模型中，变身为一个能够生成多视图图像的工具。
打开网易新闻 查看精彩图片
MV-Adapter 有两个主要组成部分：
- 条件引导器：用于编码相机条件或几何条件，让模型能更好地理解视角或空间信息。
- 解耦注意力层：包含多视图注意力层，用来学习多视图的一致性。同时还有可选的图像交叉注意力层，支持基于图像生成的功能。这里用预训练的 U-Net 对参考图像进行编码，提取细致的信息供生成使用。
打开网易新闻 查看精彩图片
02 实际效果
文本到多视图： 图像到多视图： 草图到多视图 (使用 ControlNet)：
通过重复自注意力层和并行注意力架构，以及统一的条件编码器，将 3D 几何知识高效融入适配器，实现了基于文本和图像的 3D 生成与纹理化功能。
文本-3D 生成：
图像-3D 生成：
https://github.com/huanngzh/MV-Adapter
https://arxiv.org/abs/2412.03632
https://huggingface.co/spaces/VAST-AI/MV-Adapter-I2MV-SDXL
https://github.com/huanngzh/ComfyUI-MVAdapter欢迎交流～，带你学习AI，了解AI
热门跟贴