谁生成了这个 3D 资产？学习生成式 3D 模型的来源归因
计算机视觉与模式识别
2026-05-19 v1 人工智能
摘要
生成式 3D 模型已部署于游戏、机器人与沉浸式创作中，使得来源归因至关重要：给定一个 3D 资产，我们能否识别它是否由生成式模型创建以及由哪个模型创建？该问题面临两个核心挑战：分散的归因信号，即 3D 指纹分布在多视图、几何与频域线索中；以及现实的部署约束，即稀缺的标签、退化的提示词以及真实/合成混合的资产会削弱归因的可靠性。为系统研究此问题，我们构建了据我们所知首个针对现代生成资产的被动来源归因基准，涵盖 22 个代表性 3D 生成器，并在标准、少样本及现实部署协议下进行评估。基于该基准，我们发现生成式 3D 模型留下两类稳定的指纹：跨视图不一致性以及反映在几何统计与频域线索中的结构伪影。为捕捉这些分散的信号，我们提出了一种层次化多视图多模态 Transformer，其在每个视图内融合外观、几何与频域特征，并对跨视图的全局关系进行建模。大量实验表明了其强劲性能：在全监督下达到 97.22% 的准确率，在仅使用 1% 训练数据时达到 77.17% 的准确率，相当于每个生成器不到五个样本。这些结果表明，现代 3D 生成器会留下稳定且可归因的指纹，为可信的 3D 内容溯源建立了新的基准与方法学基础。
引用
@article{arxiv.2605.18132,
title = {Who Generated This 3D Asset? Learning Source Attribution for Generative 3D Models},
author = {Sihan Ma and Siyuan Liang and Dacheng Tao},
journal= {arXiv preprint arXiv:2605.18132},
year = {2026}
}