读论文《3DTOPIA-XL: SCALING HIGH-QUALITY 3D ASSET GENERATION VIA PRIMITIVE DIFFUSION》

论文题目：3DTOPIA-XL：通过原始图元扩散提升高质量3D素材生成的规模

论文地址：2409.12957v1 (arxiv.org)

项目地址：GitHub - 3DTopia/3DTopia-XL: 3DTopia-XL: High-Quality 3D PBR Asset Generation via Primitive Diffusion

随着各行各业对高质量3D素材的需求不断增加，迫切需要一种高效且自动化的3D内容创建方法。尽管3D生成模型领域最近取得了显著进展，但现有方法在优化速度、几何保真度以及物理基础渲染（PBR）素材的缺乏方面仍面临挑战。在本文中，我们介绍了3DTopia-XL，这是一个可扩展的本地3D生成模型，旨在克服这些限制。3DTopia-XL利用了一种新颖的基于原始图元的3D表示方法PrimX，将详细的形状、反照率和材料字段编码到紧凑的张量格式中，便于对高分辨率几何图形进行PBR素材建模。在这种新颖表示的基础上，我们提出了一个基于扩散变换器（DiT）的生成框架，包括1）原始图元压缩，2）潜在原始图元扩散。3DTopia-XL能够从文本或视觉输入中学习生成高质量3D资产。我们进行了广泛的定性和定量实验，以证明3DTopia-XL在生成具有细粒度纹理和材料的高质量3D素材方面显著优于现有方法，有效地弥合了生成模型与现实世界应用之间的质量差距。

生成具有平滑几何体和空间变化纹理和材质的高质量 3D 资产。输出资源（GLB 网格）可以无缝移植到图形引擎中，以进行基于物理的渲染

引言

        高质量的3D素材对于许多现实世界的应用至关重要，例