score distillation sampling (SDS) has emerged as the de facto approach for
text-to-content generation in non-image domains. In this paper, we reexamine
the SDS process and introduce a straightforward interpretati
通过对分类器无关指导在分数蒸馏中的作用进行重新评估,我们发现了一个令人惊讶的发现:仅仅用指导就足够进行有效的文本到 3D 生成任务。我们称之为分类器分数蒸馏(CSD)方法,它可以理解为使用隐式分类模型进行生成。这种新视角揭示了对现有技术的新见解。我们在形状生成、纹理合成和形状编辑等各种文本到 3D 任务中验证了 CSD 的有效性,取得了优于现有方法的结果。
在文本到 3D 生成领域,通过得分提取采样 (SDS) 使用的 2D 扩散模型经常导致模糊外观和多面几何等问题,本研究通过分析发现这些挑战的核心是 2D 扩散过程中噪声水平、扩散网络架构和 3D 模型表示之间的相互作用,在这些局限上,我们提出了 StableDreamer,它包含了三个新进展,通过此方法能够解决多面几何问题、生成高保真的 3D 模型并且稳定收敛。