AssetFormer: Generazione Modulare di Risorse 3D con Trasformatore Autoregressivo
AssetFormer: Modular 3D Assets Generation with Autoregressive Transformer
February 12, 2026
Autori: Lingting Zhu, Shengju Qian, Haidi Fan, Jiayu Dong, Zhenchao Jin, Siwei Zhou, Gen Dong, Xin Wang, Lequan Yu
cs.AI
Abstract
L'industria digitale richiede asset 3D modulari di alta qualità e diversificati, specialmente per i contenuti generati dagli utenti (UGC). In questo lavoro presentiamo AssetFormer, un modello basato su Transformer autoregressivo progettato per generare asset 3D modulari a partire da descrizioni testuali. Il nostro studio pilota utilizza asset modulari reali raccolti da piattaforme online. AssetFormer affronta la sfida di creare asset composti da primitive che aderiscono a parametri di progetto vincolati per varie applicazioni. Adattando in modo innovativo le tecniche di sequenziamento e decodifica dei moduli, ispirate ai modelli linguistici, il nostro approccio migliora la qualità della generazione degli asset attraverso la modellazione autoregressiva. I risultati iniziali indicano l'efficacia di AssetFormer nel semplificare la creazione di asset per lo sviluppo professionale e per scenari UGC. Questo lavoro presenta un framework flessibile estendibile a vari tipi di asset 3D modulari, contribuendo al campo più ampio della generazione di contenuti 3D. Il codice è disponibile all'indirizzo https://github.com/Advocate99/AssetFormer.
English
The digital industry demands high-quality, diverse modular 3D assets, especially for user-generated content~(UGC). In this work, we introduce AssetFormer, an autoregressive Transformer-based model designed to generate modular 3D assets from textual descriptions. Our pilot study leverages real-world modular assets collected from online platforms. AssetFormer tackles the challenge of creating assets composed of primitives that adhere to constrained design parameters for various applications. By innovatively adapting module sequencing and decoding techniques inspired by language models, our approach enhances asset generation quality through autoregressive modeling. Initial results indicate the effectiveness of AssetFormer in streamlining asset creation for professional development and UGC scenarios. This work presents a flexible framework extendable to various types of modular 3D assets, contributing to the broader field of 3D content generation. The code is available at https://github.com/Advocate99/AssetFormer.