Vooruitgang in 3D-generatie: Een Overzicht

Advances in 3D Generation: A Survey

January 31, 2024

Auteurs: Xiaoyu Li, Qi Zhang, Di Kang, Weihao Cheng, Yiming Gao, Jingbo Zhang, Zhihao Liang, Jing Liao, Yan-Pei Cao, Ying Shan

cs.AI

Samenvatting

Het genereren van 3D-modellen ligt aan de basis van computergraphics en is al decennialang het onderwerp van onderzoek. Met de opkomst van geavanceerde neurale representaties en generatieve modellen ontwikkelt het veld van 3D-contentgeneratie zich snel, waardoor het mogelijk wordt om steeds hogere kwaliteit en meer diverse 3D-modellen te creëren. De snelle groei van dit veld maakt het moeilijk om op de hoogte te blijven van alle recente ontwikkelingen. In dit overzicht streven we ernaar om de fundamentele methodologieën van 3D-generatiemethoden te introduceren en een gestructureerde roadmap op te stellen, die 3D-representatie, generatiemethoden, datasets en bijbehorende toepassingen omvat. Specifiek introduceren we de 3D-representaties die de ruggengraat vormen voor 3D-generatie. Daarnaast bieden we een uitgebreid overzicht van de snel groeiende literatuur over generatiemethoden, gecategoriseerd op basis van het type algoritmische paradigma's, waaronder feedforward-generatie, optimalisatiegebaseerde generatie, procedurele generatie en generatieve novel view-synthese. Tot slot bespreken we beschikbare datasets, toepassingen en openstaande uitdagingen. We hopen dat dit overzicht lezers zal helpen om dit boeiende onderwerp te verkennen en verdere vooruitgang in het veld van 3D-contentgeneratie te bevorderen.

English

Generating 3D models lies at the core of computer graphics and has been the focus of decades of research. With the emergence of advanced neural representations and generative models, the field of 3D content generation is developing rapidly, enabling the creation of increasingly high-quality and diverse 3D models. The rapid growth of this field makes it difficult to stay abreast of all recent developments. In this survey, we aim to introduce the fundamental methodologies of 3D generation methods and establish a structured roadmap, encompassing 3D representation, generation methods, datasets, and corresponding applications. Specifically, we introduce the 3D representations that serve as the backbone for 3D generation. Furthermore, we provide a comprehensive overview of the rapidly growing literature on generation methods, categorized by the type of algorithmic paradigms, including feedforward generation, optimization-based generation, procedural generation, and generative novel view synthesis. Lastly, we discuss available datasets, applications, and open challenges. We hope this survey will help readers explore this exciting topic and foster further advancements in the field of 3D content generation.