ScalingGaussian：通过生成性高斯溅出提升 3D 内容创建

高质量 3D 资产的创建对于数字遗产保存、娱乐和机器人等应用至关重要。传统上，这一过程需要专业人士和专业软件进行建模、纹理处理和渲染。然而，随着游戏和虚拟现实 (VR) 中 3D 资产需求的提高，图像到 3D 的技术不断涌现，使非专业人士能够生产 3D 内容，减少对专家输入的依赖。现有方法在实现详细纹理和强几何一致性方面存在困难。我们引入一种新型 3D 内容创建框架 ScalingGaussian，通过结合 3D 和 2D 扩散模型实现详细纹理和几何一致性。初始阶段，3D 扩散模型生成点云；随后通过选择局部区域、引入高斯噪声，再利用局部密度加权选择进行稠密化。为细化 3D 高斯，我们利用 2D 扩散模型配合 Score Distillation Sampling (SDS) 损失，引导 3D 高斯进行克隆和分裂。最后，将 3D 高斯转换为网格，并通过均方误差 (MSE) 和梯度轮廓先验 (GPP) 损失优化表面纹理。我们的方法解决了 3D 扩散中稀疏点云的常见问题，实现了改进的几何结构和详细纹理。在图像到 3D 任务上的实验表明，我们的方法有效地生成了高质量的 3D 资产。