DreamCS: 几何感知的无配对 3D 奖励监督文本到三维生成
计算机视觉与模式识别
2026-03-23 v3
摘要
虽然文本到三维生成已引起越来越多的关注，但现有方法通常难以生成与人类偏好高度对齐的三维资产。当前三维内容的偏好对齐技术通常依赖难以收集的偏好配对多视角二维图像来训练二维奖励模型，进而指导三维生成——这因其固有的二维偏差而导致几何伪影。为解决这些局限性，我们构建了 3D-MeshPref，这是首个大规模无配对三维偏好数据集，包含由大语言模型标注并经人工评估者精炼的多样化三维网格。然后我们开发了 RewardCS，这是首个直接在无配对 3D-MeshPref 数据上使用新型 Cauchy-Schwarz 散度目标训练的奖励模型，无需配对比较即可有效学习与人类对齐的三维几何偏好。在此基础上，我们提出了 DreamCS，一个将 RewardCS 集成到文本到三维生成流程中的统一框架——通过人类偏好反馈同时增强隐式和显式三维生成。大量实验表明 DreamCS 优于先前方法，产生的三维资产既几何忠实又受人类偏好青睐。代码和模型将公开发布。
引用
@article{arxiv.2506.09814,
title = {DreamCS: Geometry-Aware Text-to-3D Generation with Unpaired 3D Reward Supervision},
author = {Xiandong Zou and Ruihao Xia and Hongsong Wang and Pan Zhou},
journal= {arXiv preprint arXiv:2506.09814},
year = {2026}
}