ShapeShifter：使用多尺度与稀疏点体素扩散的 3D 变体生成
计算机视觉与模式识别
2025-03-18 v2 人工智能
摘要
本文提出了 ShapeShifter，一种新的 3D 生成模型，能够学习基于单一参考模型合成形状变体。虽然针对 3D 物体的生成方法最近引起了广泛关注，但当前的技术通常缺乏几何细节，且/或需要较长的训练时间和大量资源。我们的方法通过在多尺度神经架构中结合稀疏体素网格与点、法线和颜色采样来解决这些问题，该架构可以高效且并行地训练。我们表明，我们生成的变体更好地捕捉了原始输入的精细细节，并且与先前基于 SDF 的方法相比，能够处理更一般类型的曲面。此外，我们提供了 3D 形状变体的交互式生成，在需要时允许在设计循环中加入更多人类控制。
引用
@article{arxiv.2502.02187,
title = {ShapeShifter: 3D Variations Using Multiscale and Sparse Point-Voxel Diffusion},
author = {Nissim Maruani and Wang Yifan and Matthew Fisher and Pierre Alliez and Mathieu Desbrun},
journal= {arXiv preprint arXiv:2502.02187},
year = {2025}
}