【新智元导读】
Meta的GenAI团队在最新研究中介绍了Meta 3D Gen模型：
可以在不到1分钟的时间内从文本直接端到端生成3D资产。
在图像生成和视频生成这两个赛道上，大模型仅用了两年多的时间就卷得如火如荼。
即使是效果堪比Sora的Gen-3、Luma等模型发布，也很难引起曾经的轰动反应。
你可能会疑惑，AI还能玩出新花样吗？
Meta放出的最新研究告诉你——能！
不管是图像还是视频，即使能做出3D效果，终究只是二维空间中的像素组成的。
Meta最近发布的3D Gen模型，则能实现1分钟内的端到端生成，从文本直出高质量3D资产。
不仅纹理清晰、形态逼真自然，而且生成速度比其他替代方案加快了3-60倍。
目前，模型还没有开放试用API以及相应的代码，官方消息中也没有透露下一步的发布时间。
只能看到官方demo但没法试用，已经让很多网友心痒难耐了。
「把这些可爱的小东西3D打印出来该有多好。」
但好在，Meta放出了技术报告，让我们可以细致观摩一下技术原理。
论文地址：https://ai.meta.com/research/publications/meta-3d-gen/
在电影特效、AR/VR、视频游戏等领域中，创作3D内容是最耗时，也是最具挑战性的环节之一，需要很高的专业技能和陡峭的学习曲线。
这件事对人类困难，对AI来说也同样困难。
相比于图像、视频等形式，生产级的3D内容有更多方面的严格要求，不仅包括生成速度、艺术质量、分辨率，还包括3D网格的结构和拓扑质量、UV图结构以及纹理清晰度。
此外，3D生成还面临数据方面的挑战。
虽然有数十亿张图像和视频可供学习，但其中适合训练的3D内容量却少了3～4个数量级。因此，模型只能学习这些非3D的视觉内容，并从二维的观察中推断出三维信息。
3D Gen模型则克服了这些困难，在领域内迈出了第一步。
模型最大的亮点在于支持基于物理的渲染（PBR，physically-based rendering），这对于在应用场景中实现3D资产的重新照明非常必要。
此外，经过专业艺术家的评估，3D Gen在生成同等质量，甚至更优内容的同时，缩短了生成时间，提升了指令跟随性能。
生成出3D对象后，模型还支持对其纹理进行进一步的编辑和定制，20s内即可完成。
这种更加高效的优质生成，离不开模型pipeline的精心设计。
3D Gen的生成主要分为两步，由两个组件分别完成——文本到3D对象生成器AssetGen和文本到纹理生成器TextureGen。
其中，第二阶段的TextureGen也可以单独拿出来使用。如果有一个之前生成的，或者艺术家自己创作的无纹理3D网格，提供描述外观的文本提示后，模型也能在20s左右的时间中为它从头生成纹理。
AssetGen和TextureGen这两个模型有效地结合了3D对象的三种高度互补的表示：视图空间（物体图像）、体积空间（3D形状和外观）以及UV空间（纹理）。
AssetGen项目地址：https://assetgen.github.io/
给定文本描述，AssetGen首先利用一个多视角、多通道版本的图像生成器生成多张图像，随后生成物体的一致视图。
据此，AssetGen中的重建网络在体积空间中提取出物体的初始版本，并进行网格提取，确立其3D形状和初始纹理。
最后，TextureGen利用视图空间和UV空间的生成结果，对纹理进行重生成，在保持指令忠实度的同时提升纹理质量。
论文地址：https://ai.meta.com/research/publications/meta-3d-texturegen-fast-and-consistent-texture-generation-for-3d-objects/
上述的每一个阶段都是建立在Meta强大的文生图模型家族Emu之上，并使用了内部数据集进行微调，主要包括渲染过的合成3D数据。
单独使用TextureGen模型可以为同一个物体生成不同的纹理表面
不同于许多SOTA方法，AssetGen和TextureGen都是前馈生成器，因此能实现快速、高效的部署。
将3D生成任务以这种方式划分为两个阶段，并在同一个模型中集成对象的多个表示空间，这种pipeline的组合是Meta重要的创新。
实验证明，不仅AssetGen和TextureGen两个部件都能分别取得更好的效果，它们结合后形成的3D Gen也能以68%的胜率超过其他模型。
针对文本到3D资产生成的任务，论文将3D Gen与其他公开可用的常用方法进行了对比，并从用户调研、定性实验两个方面进行了评估。
定性结果
从生产结果上直观来看，3D Gen能够应对不同范畴、不同类别物体的生成任务，而且指令跟随的忠实度甚至好过很多文生图模型。
比如让吉娃娃穿蓬蓬裙、让腊肠犬穿热狗装这样人类都很难想象的场景，3D Gen也按照要求生成了合理的结果。
生成结果的多样性也非常惊艳。比如提示模型只生成Llama（羊驼），他就能给出下图中的13种不同结果，风格、形状、纹理各异，可以说想象力很丰富了。
图6、7、8则对比了3D Gen和其他模型对同一文本提示的生成结果。
对于一些比较有挑战性的提示，3D Gen的细节效果有时逊色于Meshy v3等模型，但这涉及到一个权衡问题：要展现纹理中的高频细节，代价就是有时会出现视觉失真。
下面这个多物体的复杂场景任务中，你觉得哪个模型的表现更好？
虽然成功的案例很多，但对目前的模型来说，翻车依旧时常发生，而且每个模型都有自己独特的翻法。
比如CSM Cube经常在物体几何上出问题，前后视角不一致，或者干脆生成了「双头大猩猩」；Tripo 3D的光照效果会出现「一眼假」；Rodin Gen 1和Meshy 3.0有时缺少物体细节的渲染。
至于Meta的3D Gen，在放出来的案例中就出现了物体几何结构不完整、纹理接缝、指令不跟随（最右侧的海象没有叼烟斗）等多方面的问题。
虽然没人能在Meta的报告中战胜Meta，但被拿来当「靶子」的作者，还是站出来为自己工作辩护了一番。
