兰宇时，MMLab@NTU博士生，导师为 Chen Change Loy。本科毕业于北京邮电大学，目前主要研究兴趣为基于神经渲染的 3D 生成模型、3D 重建与编辑。
尽管 3D 内容生成技术取得了显著进展，现有方法仍在输入格式、潜空间设计和输出表示上面临挑战。
在 ICLR 2025 中，来自南洋理工大学 S-Lab、上海 AI Lab、北京大学以及香港大学的研究者提出的基于 Flow Matching 技术的全新 3D 生成框架 GaussianAnything，针对现有问题引入了一种交互式的点云结构化潜空间，实现了可扩展的、高质量的 3D 生成，并支持几何-纹理解耦生成与可控编辑能力。
该方法在 Objaverse 数据集上进行了大规模训练，并在文本、图像、点云引导的 3D 生成任务中超越了现有的原生 3D 生成方法。
近年来，以可微渲染和生成模型为核心的神经渲染技术 (Neural Rendering) 取得了快速的进展，在新视角合成、3D 物体生成和编辑上取得了令人满意的效果。在统一图片/视频生成的 LDM 框架的基础上，近期关于原生 (native) 3D diffusion model 的研究也展现了更优的泛化性，更快的生成速度与更好的可编辑性。
为了解决上述问题，研究者提出基于 Flow Matching 的可控点云结构化隐空间 3D 生成模型 GaussianAnything，支持多模态可控的高效、高质量的 3D 资产生成。
在第二阶段，研究者在训练完成的 3D VAE space 上进行 Flow Matching 训练。在使用文本/单目图像作为输入条件时，他们均使用 Cross Attention 进行条件信息编码并送入 DiT 框架中进行训练。同时分为两个阶段单独学习几何 (稀疏点云) 和纹理 (点云结构的低维特征)。
具体而言，研究者首先训练一个稀疏点云上的 Flow Matching 模型：
考虑到 3D 内容创作更多采用图片作为参考，本文方法同样支持在给定单目图像条件下实现高质量 3D 生成。相比于多视图生成 + 重建的两阶段方法，本文方案在 3D 生成效果、多样性以及 3D 一致性上有更稳定的表现:
在大规模 3D 数据集 Objaverse 上，研究者基于 Flow Matching 的 3D 生成模型支持从文本描述直接生成丰富，带有细节纹理的高质量 3D 资产，并支持 textured-mesh 的导出。生成过程仅需数秒即可完成。可视化对比结果如下:
太快了，也太突然了，防不胜防，金光冲过，尽管恶魔猿应变神速，一条手臂还是被撕了下来，鲜血冲起数十尺高。
03月11日,山西古建筑100问——常家庄园如何见证晋商的辉煌？,新高一的致辞 篇2,手机版必威,皇冠官网网投,澳门萄京娱乐。
03月11日,加强国际合作 应对气候变化,消防安全国旗下精彩 篇7,开博体育官方网站首页,濠江会app,澳门金沙电子娱乐网站。
“真漂亮！”小不点石昊眨巴着大眼睛，长长的睫毛随之而颤，看着三枚凶禽卵温润晶莹、光泽点点，忍不住欢喜，他最为年幼，好奇心很重，很想抱起来看个仔细。
,万博官方manbext体育下载,凯发娱乐手机网页版网址,美高梅正规开户。
震耳欲聋的响声接连传出，如同九天上的仙雷劈落，霞光冲天，云雾弥漫，电火交织，狻猊、恶魔猿、离火牛魔三大巨头硬撼，山地崩裂，宛如世界末日来临。
新闻信息服务许可证音像制品出版许可证广播电视节目制作经营许可证网络视听许可证网络文化经营许可证