本研究主要介绍了生成人工智能中的文本导向内容生成，着重探讨其中的文本导向三维技术，提供了一份关于该领域的综合调查报告。该报告介绍了三维数据表示、相关技术及其在不同应用方面的应用，包括头像生成、纹理生成、形状变换和场景生成，以及使用 NeRF 等文本到图像与三维建模技术的新兴方向的最新进展。

May, 2023

生成 3D 模型是计算机图形学的核心，并且已经成为几十年研究的重点。随着先进的神经表示和生成模型的出现，3D 内容生成领域正在快速发展，使得越来越高品质和多样化的 3D 模型得以创建。本文调查了 3D 生成方法的基本方法，并建立了一个结构化的路线图，包括 3D 表示、生成方法、数据集和相关应用。最后，我们讨论可用的数据集、应用和面临的挑战。希望本调查能帮助读者探索这个激动人心的主题，并促进 3D 内容生成领域的进一步发展。

Jan, 2024

文献调查了最新的文本生成三维内容的方法，并详细介绍了该领域的背景、数据集、评估指标以及不同的三维表示方法。通过对生成流程的分类和优劣势的分析，为进一步探索基于文本的三维内容创建提供了启示，并指出了未来研究的几个有希望的方向。

May, 2024

AI 生成内容（AIGC）方法旨在使用 AI 算法产生文本、图像、视频、3D 资产和其他媒体。本文综述了跨不同数据模态的 AIGC 方法，包括单模态和多模态，重点介绍了各种挑战、代表性研究以及最近的技术方向，并在各种模态中提供了对多个基准数据集的比较结果。此外，本文还讨论了挑战和未来研究方向。

Aug, 2023

该研究综述了生成模型的历史和基本组成部分，并从单模态和多模态交互的角度介绍了文本和图像生成任务及相关模型，讨论了人工智能生成内容领域中的开放性问题和未来挑战。

Mar, 2023

综述了 2023 年下半年发表的相关论文，主要包括 AI 生成的三维对象模型、三维人体模型和三维人体动作生成，并对未来进行了展望。

Jan, 2024

人工智能生成内容（AIGC）已经引领了一场新的技术革命，推动了数字内容的获取并推动传统编解码器在性能提升和多样化功能方面的进展，本文全面回顾了生成式视觉压缩的最新进展，展示了在超低码率通信，用户指定的重建 / 滤波和智能机器分析方面的巨大潜力和有前景的应用。特别是，我们回顾了基于深度生成模型的视觉数据压缩方法，并总结了如何通过生成技术实现紧凑的表示和高保真重建。此外，我们概括了相关的生成式压缩技术用于机器视觉和智能分析。最后，我们讨论了生成式视觉压缩技术面临的基本挑战，并展望了它们未来的研究方向。

Feb, 2024

本文深入讨论了基于人工智能技术生成内容的 AIGC，对其定义、关键条件、可重要的现有和未来特性、庞大的预训练模型带来的优势、工业链以及 AIGC 内部辅助生成和自动生成之间的区别进行了探讨，最后探讨了 AIGC 与元宇宙的潜在整合，旨在揭示 AIGC 的现有问题并提供未来应用方向。

Mar, 2023

介绍了近年来深度学习实现的视觉内容创作方法的显著进展，包括 3D 感知生成图像合成，旨在提供一个关于 3D 感知图像合成的综述，为相关领域的研究工作提供有用的参考，并通过我们的讨论部分激发未来的研究方向。

Oct, 2022

本文针对 AI 基模型带来的 AI 生成内容（AIGC）涉及的工作原理、安全和隐私威胁、最新解决方案、以及未来挑战等方面做出了深入调查，主要讨论了 AIGC 的架构、工作模式和关键特征、安全和隐私威胁、道德和社会影响，最后针对 AIGC 未来的挑战和研究方向进行了总结。

May, 2023