在Stable Diffusion当中，只需加入一个LoRA就能根据图像创建3D模型了？
港科大（广州）与趣丸科技合作推出了全新三维生成大模型——Kiss3DGen，创新性地将3D生成与成熟的图像生成模型进行了对齐。
并且与主流2D扩散模型技术（如ControlNet、Flux-Redux）兼容协同，无需额外训练即可即插即用。
△由Kiss3DGen生成的场景
即使在有限的训练数据条件下，Kiss3DGen仍能生成高质量的3D资产，减少对大规模数据的依赖，同时在灵活性和性能方面表现出色。
目前，Kiss3DGen单独使用效果已优于现有开源方法，而且在与现有方法相结合后，性能可进一步增强。
将3D生成转换为2D生图
Kiss3DGen的核心创新点在充分利用现有2D图像生成模型的知识与框架，将多视图图像和对应法线贴图拼接成三维聚合图（3D Bundle Image），把传统3D生成问题转化为2D图像生成任务。
这种方式无需调整现有2D模型的结构，能够最大程度继承其成熟的技术优势。
具体流程可分为两大步骤：
- 三维聚合图生成：利用DiT（Diffusion Transformer）模型的全局感知能力，高效生成高度对齐的多视图图像及对应法线贴图，无需调整2D模型结构，即可继承其成熟技术优势。 Mesh与纹理重建：利用生成的法线贴图进行Mesh重建，通过图像部分生成对应的贴图。整个过程无需额外训练，可直接使用现有重建方法完成高质量3D资产生成。
在训练阶段，需要构建高质量文本-3D数据集，使用LoRA技术对预训练的文本-图像扩散模型（如Flux或SD3.5）进行微调，生成高度符合文本描述的三维聚合图。
而生成阶段又可以分为两个环节——
首先利用训练好的模型，根据输入文本提示，生成包含3D模型多视角信息的三维聚合图。
然后，通过LRM或球体初始化方法粗略重建几何和纹理，再通过网格优化与纹理投影技术（如ISOMER），精确重建3D模型的几何形状和纹理细节。
团队简介
该研究的作者为林坚涛、杨鑫以及陈美羲，他们是来自于香港科技大学（广州）ENVISION实验室的硕博生。
本工作由趣丸科技资助，由陈颖聪教授带领硕博研究团队与趣丸科技联合打造。
陈颖聪，香港科技大学（广州）人工智能学域助理教授，博导，受国家人才计划青年项目资助，他长期致力于计算机视觉和视觉生成模型的研究，已在TPAMI、CVPR、ICCV、ECCV等顶级会议和期刊发表五十余篇论文。
陈教授的研究方向包括三维生成与重建、图像视频生成等，并多次以第一作者身份在顶级会议上做口头报告。
他的研究成果屡获大奖，包括ICCV 2023最佳论文提名和中国图像图形学会自然科学奖一等奖。
同时，陈教授也在多个学术会议和期刊中担任程序委员会成员或审稿人，并与多个科技公司建立了深入的合作关系。
论文：
https://arxiv.org/abs/2503.01370
代码：
https://github.com/EnVision-Research/Kiss3DGen
项目主页：
https://ltt-o.github.io/Kiss3dgen.github.io
在线体验：
https://gen3d.funnycp.com
实验室主页：
https://envision-research.hkust-gz.edu.cn/index.html
本文来自微信公众号“量子位”，作者：关注前沿科技，36氪经授权发布。
