HY3D-Bench : Génération d'actifs 3D
HY3D-Bench: Generation of 3D Assets
February 3, 2026
papers.authors: Team Hunyuan3D, Bowen Zhang, Chunchao Guo, Dongyuan Guo, Haolin Liu, Hongyu Yan, Huiwen Shi, Jiaao Yu, Jiachen Xu, Jingwei Huang, Kunhong Li, Lifu Wang, Linus, Penghao Wang, Qingxiang Lin, Ruining Tang, Xianghui Yang, Yang Li, Yirui Guan, Yunfei Zhao, Yunhan Yang, Zeqiang Lai, Zhihao Liang, Zibo Zhao
cs.AI
papers.abstract
Si les récentes avancées en représentations neuronales et modèles génératifs ont révolutionné la création de contenu 3D, ce domaine reste limité par d'importants goulots d'étranglement dans le traitement des données. Pour y remédier, nous présentons HY3D-Bench, un écosystème open-source conçu pour établir une base unifiée et de haute qualité pour la génération 3D. Nos contributions sont triples : (1) Nous constituons une bibliothèque de 250 000 objets 3D haute fidélité, distillés à partir de référentiels à grande échelle, en utilisant un pipeline rigoureux pour fournir des artefacts prêts pour l'entraînement, incluant des maillages étanches et des rendus multi-vues ; (2) Nous introduisons une décomposition structurelle au niveau des pièces, offrant la granularité essentielle pour une perception fine et un édition contrôlable ; et (3) Nous comblons les écarts de distribution du monde réel via un pipeline d’AIGC synthétique évolutif, contribuant 125 000 actifs synthétiques pour renforcer la diversité dans les catégories à longue traîne. Validé empiriquement par l'entraînement de Hunyuan3D-2.1-Small, HY3D-Bench démocratise l'accès à des ressources de données robustes, visant à catalyser l'innovation dans la perception 3D, la robotique et la création de contenu numérique.
English
While recent advances in neural representations and generative models have revolutionized 3D content creation, the field remains constrained by significant data processing bottlenecks. To address this, we introduce HY3D-Bench, an open-source ecosystem designed to establish a unified, high-quality foundation for 3D generation. Our contributions are threefold: (1) We curate a library of 250k high-fidelity 3D objects distilled from large-scale repositories, employing a rigorous pipeline to deliver training-ready artifacts, including watertight meshes and multi-view renderings; (2) We introduce structured part-level decomposition, providing the granularity essential for fine-grained perception and controllable editing; and (3) We bridge real-world distribution gaps via a scalable AIGC synthesis pipeline, contributing 125k synthetic assets to enhance diversity in long-tail categories. Validated empirically through the training of Hunyuan3D-2.1-Small, HY3D-Bench democratizes access to robust data resources, aiming to catalyze innovation across 3D perception, robotics, and digital content creation.