HyperDreamer 是一个可视化、可渲染和可编辑的 3D 内容创建工具，通过 360 度网格建模、高分辨率纹理和语义分割等技术，能够从单张图片中生成逼真的 3D 模型，并支持用户友好的编辑操作。

Dec, 2023

本文提出了一种名为 Magic3D 的优化框架，利用低分辨率扩散先验和稀疏 3D 哈希格网结构，通过两阶段优化过程加速生成高质量 3D 网格模型，相对于 DreamFusion 优化用时减少一倍，同时也实现了更高分辨率的生成。用户调查表明，高达 61.7% 的用户更喜欢 Magic3D 模型。

Nov, 2022

该研究提出了一种新的方法，使用单个图像进行 3D 重建，生成了一个完整的 360 度 3D 纹理网格，改进于现有方法，具有更好的几何形状和一致性。

Jun, 2023

我们介绍了 Unique3D，这是一种新颖的图像到 3D 框架，能够高效生成高质量的 3D 网格，具有最先进的生成质量和强大的泛化能力。我们的 Unique3D 在几何和纹理细节方面显著优于其他图像到 3D 基准。

May, 2024

通过使用两阶段的方法 —— 首先使用精调的 2D 文本到图像扩散模型一次性生成稀疏一致的四个结构化视图，然后利用一种新颖的基于 Transformer 的稀疏视图重构器直接回归生成的图像的 NeRF—— 我们提出了 Instant3D，一种新颖的方法，以前馈方式从文本提示中生成高质量、多样化的 3D 资产。通过大量实验证明，我们的方法可以在 20 秒内生成高质量、多样化且无 Janus 问题的 3D 资产，比之前需要 1 到 10 小时的基于优化的方法快两个数量级。

Nov, 2023

MetaDreammer 是一种基于 2D 和 3D 先验知识的两阶段优化方法，通过在优化过程中分别使用 2D 和 3D 先验知识，有效减轻几何与纹理之间的相互依赖，从而在 3D 生成过程中节省时间并生成高质量的 3D 对象。与现有技术相比，MetaDreammer 是一种高效的文本到 3D 生成方法，并且还引入了图像控制来增强对 3D 生成过程的可控性。

Nov, 2023

最新的文字到 3D 生成技术取得了显著进展，现有的方法利用大规模的文字到图像扩散模型，如 DreamFusion，来监督 3D 生成。然而，这些方法生成的 3D 对象的外观通常是随机和不可控的，这在实现可控外观的 3D 对象方面是一个挑战。为了解决这个问题，我们引入了 IPDreamer，一种新颖的方法，它结合了图像提示，为 3D 对象生成提供特定和全面的外观信息。我们的结果表明，IPDreamer 有效地生成了与所提供的文本和图像提示一致的高质量 3D 对象，展示了它在可控外观的 3D 对象生成方面的潜能。

Oct, 2023

通过引入 OrientDream，这篇研究介绍了一种基于相机方向条件的框架，用于从文本提示生成高质量、具有一致多视图属性的 NeRF 模型，并达到比现有方法更快的优化速度。

Jun, 2024

本文提出了一种使用基于网格的表示来捕捉三维重构任务中的细粒度几何信息的学习框架，它使用自由形变和稀疏线性组合的紧凑网格表示来重建三维物体，相比之前的工作，我们不依赖于轮廓和标记来进行三维重建，并在合成和真实数据集上进行了很有前途的实验结果验证。

Nov, 2017

BrightDreamer 是一种端到端的单阶段方法，可以实现通用且快速（77 毫秒）的文本到 3D 生成，通过估算 3D 变形、形状基准位置和各种属性来生成百万个 3D Gaussian。

Mar, 2024