HY3D-Bench: Generatie van 3D-assets
HY3D-Bench: Generation of 3D Assets
February 3, 2026
Auteurs: 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
Samenvatting
Hoewel recente vooruitgang in neurale representaties en generatieve modellen een revolutie teweeg heeft gebracht in 3D-contentcreatie, wordt het vakgebied nog steeds beperkt door aanzienlijke dataprocessingsknelpunten. Om dit aan te pakken, introduceren wij HY3D-Bench, een open-source-ecosysteem dat is ontworpen om een uniforme, hoogwaardige basis voor 3D-generatie te vestigen. Onze bijdragen zijn drievoudig: (1) We hebben een bibliotheek samengesteld van 250k hoogfideliteits-3D-objecten, gedistilleerd uit grootschalige repositories, waarbij een rigoureus proces wordt gebruikt om trainingsklare artefacten te leveren, waaronder waterdichte meshes en multi-view weergaven; (2) We introduceren gestructureerde decompositie op onderdeelniveau, wat de granulariteit biedt die essentieel is voor fijnmazige perceptie en controleerbare bewerking; en (3) We overbruggen distributiekloofjes uit de echte wereld via een schaalbare AIGC-synthesepijplijn, waarbij we 125k synthetische assets bijdragen om de diversiteit in long-tail-categorieën te vergroten. Empirisch gevalideerd door de training van Hunyuan3D-2.1-Small, democratiseert HY3D-Bench de toegang tot robuuste databronnen, met als doel innovatie te katalyseren op het gebied van 3D-perceptie, robotica en digitale contentcreatie.
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.