本文采用一种新方法，通过给定文本提示和 3D 网格来生成 3D 模型的纹理。该方法考虑了额外的深度信息，利用深度条件稳定扩散的评分蒸馏采样过程生成纹理。我们在开源数据集 Objaverse 上运行了模型，并进行了用户研究，与各种 3D 纹理方法的结果进行了比较。我们证明了我们的模型可以生成更令人满意的结果，并为同一对象产生各种艺术风格。此外，在生成可比质量的纹理时，我们取得了更快的时间。我们还进行了彻底的消融研究，研究了不同因素对生成质量的影响，包括采样步骤、引导尺度、负提示、数据增强、高度范围和替代 SDS 方法。

Nov, 2023

TextureDreamer 是一种新颖的图像引导纹理合成方法，能够将可在任何类别的目标 3D 形状上转移到少量输入图像（3 到 5 张）中的纹理。

Jan, 2024

通过使用一种新颖的方法，我们对给定的带有 UV 参数化的 3D 网格生成纹理，并使用单一的深度对图像扩散网络在 3D 表面上呈现一致的纹理，通过统一多个 2D 图像的扩散路径并通过 MultiDiffusion 技术将其提升为 3D。我们使用评估指标 CLIP-score 和 Frechet Inception Distance (FID) 来评估渲染质量，并展示了相对于之前的研究的改进。

Dec, 2023

利用 UniDream 框架通过整合统一的扩散先验方法来生成具有清晰的反照率纹理、更光滑表面、增强逼真度和卓越光照效果的 3D 物体。

Dec, 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

介绍了一种名为 RealmDreamer 的技术，可以通过文本描述生成通用的正面视图 3D 场景，并且具备高质量和多样性。该技术利用先进的文本到图像生成器初始化 3D 平面，并通过多个视图进行 3D 修补和基于图像的扩散建模，从而生成富含几何结构的场景。最后，通过图像生成器的锐化样本对模型进行微调，而无需视频或多视角数据，同时还可以从单个图像合成 3D 场景。

Apr, 2024

BoostDream 是一个高效的插件式 3D 细化方法，能够将粗糙的 3D 资产转化为高质量的 3D 资产，通过引入 3D 模型蒸馏、新颖的多视角 SDS 损失设计以及使用提示和多视角一致的法线图作为指导。与常规基于 SDS 方法相比，BoostDream 在生成高质量的 3D 资产方面表现出色，克服了双面问题，从而实现了 3D 生成过程的效率和质量的重大进展。

Jan, 2024

通过结合 CLIP 和 2D Diffusion 模型，我们提出了一种新的 3DStyle-Diffusion 模型，能够在文本驱动的几何和外观引导下，实现对 3D 网格的细粒度样式化。

Nov, 2023

本文提出了基于自然语言的房间风格合成算法 RoomDreamer，通过 Geometry Guided Diffusion 和 Mesh Optimization 处理实现 3D 室内场景生成，大幅提升了几何和纹理的一致性和图像质量。

May, 2023

介绍了一种名为 GradeADreamer 的新型三阶段训练流程，使用单个 RTX 3090 GPU，在 30 分钟内生成高质量资产，解决了文本到 3D 生成中常见的 Multi-face Janus 问题和延长生成时间的挑战。通过使用 Multi-view Diffusion Model (MVDream) 生成 Gaussian Splats 作为先验，以及使用 StableDiffusion 优化几何和纹理，实验证明该方法显著缓解了 Multi-face Janus 问题，并且在用户偏好排名上达到了最高平均水平。项目代码可在此 URL 找到。

Jun, 2024