视频 NeRF + 文本转 3D = 文本转 4D！？[Meta 的 Make-A-Video3D]

这段文字主要介绍了一种名为“Texas 4D”的人工智能，它能够从文字描述生成逼真的3D视频。

首先，文章回顾了去年9月以来人工智能领域的重大进展，包括“Dreambooth”、“Laura”、“Stable Diffusion 2.0”和“ChatGPT”等。然后，文章重点介绍了“Texas 4D”的诞生，它源于Meta研究团队借鉴了Google的“Dreamfusion”技术，并结合了“Make a Video”模型，实现了从文字描述生成3D视频。

文章指出，由于“Texas 4D”是首个能够从文字生成3D视频的模型，因此它的命名也引发了一些争议。为了避免混淆，作者建议将“Texas 4D”的输出结果称为“4D结果”，而不是“3D视频”。

文章还介绍了“Texas 4D”的技术原理，它结合了“NeRF”和“动态NeRF”技术，并利用文本图像对和未标记视频进行训练。虽然作者试图理解该模型的架构，但仍然存在许多疑问。

最后，文章展示了“Texas 4D”生成的一些示例，例如一只鳄鱼演奏鼓的视频，并指出该模型生成的视频细节仍然需要改进。