从提示到可打印模型：通过偏移直接偏好优化实现支架有效的 3D 生成
机器人学
2026-02-27 v2
摘要
当前的文本到 3D 模型侧重视觉保真度，却忽略了物理可制造性，导致需要大量支架结构的几何形状。本文引入了 SEG（Support-Effective Generation，即支架有效生成），这是一种新型框架，将偏移直接偏好优化（ODPO）集成到 3D 生成管道中，以直接优化模型以最小化支架材料用量。通过将支架结构模拟纳入训练过程，SEG 鼓励生成本质上需要较少支架的几何形状，从而减少材料浪费和生产时间。我们通过对 Thingi10k-Val 和 GPT-3DP-Val 两个基准数据集进行大量实验，展示了 SEG 在支架体积减少和可打印性方面显著优于 TRELLIS、DPO 和 DRO 等基线模型。定性结果进一步表明，SEG 在保持输入提示高度保真度的同时，最大限地减少了支架需求。我们的发现凸显了 SEG 在生成过程中直接优化模型的潜力，为更可持续和高效的数字制造实践铺平了道路。
引用
@article{arxiv.2511.16434,
title = {From Prompts to Printable Models: Support-Effective 3D Generation via Offset Direct Preference Optimization},
author = {Chenming Wu and Xiaofan Li and Chengkai Dai},
journal= {arXiv preprint arXiv:2511.16434},
year = {2026}
}
备注
Accepted by IEEE Robotics and Automation Letters 2026, preprint version by authors