面向细粒度文本到 3D 质量评估：基准与双阶段排名学习度量
计算机视觉与模式识别
2025-11-06 v2
摘要
近期文本到 3D（T23D）生成模型的进展使能够从文本提示合成多样化、高保真度的 3D 资产成为可能。然而，现有方法仍面临限制可靠 T23D 质量评估（T23DQA）发展的挑战。首先，现有基准已过时、碎片化且粗粒度，使得细粒度度量训练难以实现。其次，当前客观度量存在设计局限，导致特征提取不具代表性且度量鲁棒性差。为此，本工作引入 T23D-CompBench，一个用于组合化 T23D 生成的全面基准。我们定义了包含十二个子组成分的五个组成分，用于组合化提示，这些组成分用于从十个最先进的生成模型中生成 3,600 个带纹理的网格。我们进行大规模主观实验，收集来自不同视角的 129,600 条可靠人类评分。基于 T23D-CompBench，我们进一步提出了 Rank2Score，一个用于 T23DQA 的有效评估器，采用双阶段训练。第一阶段通过监督对比回归和课程学习来增强成对训练；第二阶段则利用平均意见分数（MOS）来优化预测，使其更贴近人类判断。在广泛的实验和下游应用中，Rank2Score 在多个维度上 consistently 优于现有度量，并且还可作为优化生成模型的奖励函数。项目已公开：https://cbysjtu.github.io/Rank2Score/。
引用
@article{arxiv.2509.23841,
title = {Towards Fine-Grained Text-to-3D Quality Assessment: A Benchmark and A Two-Stage Rank-Learning Metric},
author = {Bingyang Cui and Yujie Zhang and Qi Yang and Zhu Li and Yiling Xu},
journal= {arXiv preprint arXiv:2509.23841},
year = {2025}
}