Voxify3D：像素艺术遇见体素渲染
计算机视觉与模式识别
2026-04-28 v2
摘要
体素艺术是一种广泛用于游戏和数字媒体的独特表现手法，但从3D网格自动生成仍具有挑战性，因为其几何抽象、语义保留和离散颜色一致性三方面的要求相互冲突。现有方法要么过于简化几何，要么无法实现像素精确、调色板受限的体素艺术美学。我们引入 Voxify3D，一个可微的两阶段框架，将3D网格优化与2D像素艺术监督相结合。我们的核心创新在于三个组件的协同集成：（1）正交像素艺术监督消除透视畸变，实现像素-像素精准对齐；（2）基于补丁的 CLIP 对齐在离散化水平上保持语义；（3）调色板受限的 Gumbel-Softmax 量化，实现对离散颜色空间的可微优化并支持可控调色板策略。该集成解决了以下根本性挑战：在极端离散化下的语义保留、通过体素渲染实现像素艺术美学、以及端到端离散优化。实验表明，Voxify3D 在 diverse characters 和可控抽象（2-8 种颜色，20-50 倍分辨率）方面表现卓越（37.12 CLIP-IQA，77.90% 用户偏好）。项目页面：https://yichuanh.github.io/Voxify-3D/。
引用
@article{arxiv.2512.07834,
title = {Voxify3D: Pixel Art Meets Volumetric Rendering},
author = {Yi-Chuan Huang and Jiewen Chan and Hao-Jen Chien and Yu-Lun Liu},
journal= {arXiv preprint arXiv:2512.07834},
year = {2026}
}
备注
CVPR 2026. Project page: https://yichuanh.github.io/Voxify-3D/