Grow3D：分层下一代八叉树预测技术，实现快速且高精度的3D形状生成

《ACM Transactions on Graphics》：Grow3D: Hierarchical Next-Scale Octree Prediction for Fast and High-Fidelity 3D Shape Generation

　　

摘要AI总结

要查看此AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

在近期关于3D形状生成的研究中，扩散模型和自回归模型被广泛采用。然而，这类模型需要数十甚至数百次生成步骤，导致推理速度较慢。一种新的具有下一级预测功能的自回归模型则展现了更高的推理效率和生成质量。不过，现有研究仅限于固定长度的表示形式，无法直接应用于更灵活的可变长度表示，比如稀疏体素。为解决这些问题，我们提出了Grow3D，这是一种全新的自回归生成框架，通过“下一级预测”以从粗到细的方式生成高质量3D形状，从而实现高质量和快速推理。具体而言，我们首先使用带残差序列化的向量量化变分自编码器（VQ-VAE）将3D形状编码为具有量化特征的多尺度、稀疏结构的潜在表示。基于这种潜在表示，我们采用下一级预测策略自回归地生成八叉树结构及相应的几何特征。利用八叉树的结构特点，我们引入了一种注重八叉树结构的注意力机制，能够有选择地关注最相关的特征。此外，我们还提出了一种基于CFG的采样策略，以提高生成的 Quality和多样性。大量实验表明，Grow3D在3D形状生成的Quality和速度方面均优于现有最佳方法，使得一些实时下游应用成为可能，比如交互式3D编辑。

AI总结

AI生成的总结（实验性）

此总结是由自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章相关性，以及帮助相关领域的读者理解该研究。它的作用是补充作者提供的摘要，而作者提供的摘要仍是文章的主要总结。完整文章才是最具权威性的版本。点击此处了解更多。

点击此处，可以对此总结的准确性、清晰度和实用性发表意见。您的反馈将有助于改进未来的总结版本。

要查看此AI生成的通俗语言总结，您需要拥有高级访问权限。