Meta的GenAI团队在最新研究中介绍了Meta 3D Gen模型：可以在不到1分钟的时间内从文本直接端到端生成3D资产。

在图像生成和视频生成这两个赛道上，大模型仅用了两年多的时间就卷得如火如荼。

即使是效果堪比Sora的Gen-3、Luma等模型发布，也很难引起曾经的轰动反应。

你可能会疑惑，AI还能玩出新花样吗?

Meta放出的最新研究告诉你——能!

不管是图像还是视频，即使能做出3D效果，终究只是二维空间中的像素组成的。

Meta最近发布的3D Gen模型，则能实现1分钟内的端到端生成，从文本直出高质量3D资产。

不仅纹理清晰、形态逼真自然，而且生成速度比其他替代方案加快了3-60倍。

目前，模型还没有开放试用API以及相应的代码，官方消息中也没有透露下一步的发布时间。

只能看到官方demo但没法试用，已经让很多网友心痒难耐了。

「把这些可爱的小东西3D打印出来该有多好。」

但好在，Meta放出了技术报告，让我们可以细致观摩一下技术原理。

论文地址：https://ai.meta.com/research/publications/meta-3d-gen/

Meta 3D Gen

在电影特效、AR/VR、视频游戏等领域中，创作3D内容是最耗时，也是最具挑战性的环节之一，需要很高的专业技能和陡峭的学习曲线。

这件事对人类困难，对AI来说也同样困难。

相比于图像、视频等形式，生产级的3D内容有更多方面的严格要求，不仅包括生成速度、艺术质量、分辨率，还包括3D网格的结构和拓扑质量、UV图结构以及纹理清晰度。

此外，3D生成还面临数据方面的挑战。

虽然有数十亿张图像和视频可供学习，但其中适合训练的3D内容量却少了3～4个数量级。因此，模型只能学习这些非3D的视觉内容，并从二维的观察中推断出三维信息。

3D Gen模型则克服了这些困难，在领域内迈出了第一步。

模型最大的亮点在于支持基于物理的渲染(PBR，physically-based rendering)，这对于在应用场景中实现3D资产的重新照明非常必要。

此外，经过专业艺术家的评估，3D Gen在生成同等质量，甚至更优内容的同时，缩短了生成时间，提升了指令跟随性能。

生成出3D对象后，模型还支持对其纹理进行进一步的编辑和定制，20s内即可完成。

方法

这种更加高效的优质生成，离不开模型pipeline的精心设计。

3D Gen的生成主要分为两步，由两个组件分别完成——文本到3D对象生成器AssetGen和文本到纹理生成器TextureGen。

第一阶段：3D资产生成。根据用户提供的文本提示，使用3D AssetGen模型创建初始3D资产，即带有纹理和PBR材质图的3D网格，大约花费30s。

第二阶段：纹理生成。根据第一阶段生成的3D资产和用户文本提示，使用3D TextureGen模型生成更高质量的纹理和PBR图，大约花费20s。

其中，第二阶段的TextureGen也可以单独拿出来使用。如果有一个之前生成的，或者艺术家自己创作的无纹理3D网格，提供描述外观的文本提示后，模型也能在20s左右的时间中为它从头生成纹理。

AssetGen和TextureGen这两个模型有效地结合了3D对象的三种高度互补的表示：视图空间(物体图像)、体积空间(3D形状和外观)以及UV空间(纹理)。

AssetGen项目地址：https://assetgen.github.io/

给定文本描述，AssetGen首先利用一个多视角、多通道版本的图像生成器生成多张图像，随后生成物体的一致视图。

据此，AssetGen中的重建网络在体积空间中提取出物体的初始版本，并进行网格提取，确立其3D形状和初始纹理。

最后，TextureGen利用视图空间和UV空间的生成结果，对纹理进行重生成，在保持指令忠实度的同时提升纹理质量。

论文地址：https://ai.meta.com/research/publications/meta-3d-texturegen-fast-and-consistent-texture-generation-for-3d-objects/

上述的每一个阶段都是建立在Meta强大的文生图模型家族Emu之上，并使用了内部数据集进行微调，主要包括渲染过的合成3D数据。

单独使用TextureGen模型可以为同一个物体生成不同的纹理表面

不同于许多SOTA方法，AssetGen和TextureGen都是前馈生成器，因此能实现快速、高效的部署。

将3D生成任务以这种方式划分为两个阶段，并在同一个模型中集成对象的多个表示空间，这种pipeline的组合是Meta重要的创新。

实验证明，不仅AssetGen和TextureGen两个部件都能分别取得更好的效果，它们结合后形成的3D Gen也能以68%的胜率超过其他模型。

实验

针对文本到3D资产生成的任务，论文将3D Gen与其他公开可用的常用方法进行了对比，并从用户调研、定性实验两个方面进行了评估。

定性结果

从生产结果上直观来看，3D Gen能够应对不同范畴、不同类别物体的生成任务，而且指令跟随的忠实度甚至好过很多文生图模型。

比如让吉娃娃穿蓬蓬裙、让腊肠犬穿热狗装这样人类都很难想象的场景，3D Gen也按照要求生成了合理的结果。

生成结果的多样性也非常惊艳。比如提示模型只生成Llama(羊驼)，他就能给出下图中的13种不同结果，风格、形状、纹理各异，可以说想象力很丰富了。

图6、7、8则对比了3D Gen和其他模型对同一文本提示的生成结果。

对于一些比较有挑战性的提示，3D Gen的细节效果有时逊色于Meshy v3等模型，但这涉及到一个权衡问题：要展现纹理中的高频细节，代价就是有时会出现视觉失真。

下面这个多物体的复杂场景任务中，你觉得哪个模型的表现更好?

虽然成功的案例很多，但对目前的模型来说，翻车依旧时常发生，而且每个模型都有自己独特的翻法。

比如CSM Cube经常在物体几何上出问题，前后视角不一致，或者干脆生成了「双头大猩猩」;Tripo 3D的光照效果会出现「一眼假」;Rodin Gen 1和Meshy 3.0有时缺少物体细节的渲染。

至于Meta的3D Gen，在放出来的案例中就出现了物体几何结构不完整、纹理接缝、指令不跟随(最右侧的海象没有叼烟斗)等多方面的问题。

虽然没人能在Meta的报告中战胜Meta，但被拿来当「靶子」的作者，还是站出来为自己工作辩护了一番。

用户调研

对于模型的文本到3D生成，人类评审将从两方面进行评估：提示忠实度、视觉质量。

按不同的背景，评审被分成了两组：(1)普通用户，没有3D方面的专业知识，(2)专业的3D艺术家、设计师和游戏开发者。

评估采用了DreamFusion引入的404个经过去重的文本提示，并根据内容复杂性分为三类：物体(156个)，角色(106个)和物体角色组合(141个)。

每个3D生成结果都会以360度全景视频的方式呈现给评审者，不同模型进行分别测试或者随机的A/B测试。

表2展示了提示忠实度方面的的评估结果。在这一指标上，3DGen在两个阶段的得分都优于其他行业方法，紧随其后的是T23D生成器。

如表3所示，A/B测试中还添加了对几何视觉质量以及纹理细节的评测。

作者发现，普通用户更倾向于喜欢那些纹理更锐利、生动、逼真且细节详实的3D结果，但对较明显的纹理和几何伪影不是很关注。专业的3D艺术家则会更重视几何与纹理的准确性。

在图3中，作者分析了视觉质量、几何、纹理细节和纹理伪影的表现率等指标，如何随着文本提示描述的场景复杂度发生变化。

图表显示，虽然基准模型在简单提示下的表现与3D Gen相当，甚至更优，但随着提示复杂度逐渐增加，3D Gen开始反超，这也与图7描述的定型结果一致。

结论

作为一个统一的流程，3DGen整合了Meta的基础生成模型，用于文本到3D生成，具备纹理编辑和材料生成能力。

通过结合AssetGen和TextureGen的优势，3DGen能够在不到一分钟的时间内根据文本提示生成高质量的3D对象。

在专业3D艺术家的评估中，3DGen的输出在大多数情况下更受青睐，尤其是在复杂提示下，而且速度快3到60倍。

虽然Meta目前对AssetGen和TextureGen的整合比较直接，但它开创了一个非常有前景的研究方向，基于两个方面：(1)在视图空间和UV空间中的生成，(2)纹理和形状生成的端到端迭代。

如同Sora的出现会深刻影响短视频、电影、流媒体等众多行业一样，3D Gen也具有同样巨大的潜力。

毕竟，小扎还是心心念念他的元宇宙。而AI驱动的3D生成，对于在元宇宙中构建无限大的虚拟世界也非常重要。