Avanços na Geração 3D: Uma Revisão

Advances in 3D Generation: A Survey

January 31, 2024

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

cs.AI

Resumo

A geração de modelos 3D está no cerne da computação gráfica e tem sido o foco de décadas de pesquisa. Com o surgimento de representações neurais avançadas e modelos generativos, o campo de geração de conteúdo 3D está se desenvolvendo rapidamente, permitindo a criação de modelos 3D cada vez mais diversos e de alta qualidade. O rápido crescimento desse campo torna difícil acompanhar todos os desenvolvimentos recentes. Nesta revisão, buscamos introduzir as metodologias fundamentais dos métodos de geração 3D e estabelecer um roteiro estruturado, abrangendo representação 3D, métodos de geração, conjuntos de dados e aplicações correspondentes. Especificamente, apresentamos as representações 3D que servem como base para a geração 3D. Além disso, fornecemos uma visão abrangente da literatura em rápido crescimento sobre métodos de geração, categorizados por tipo de paradigma algorítmico, incluindo geração direta (feedforward), geração baseada em otimização, geração procedural e síntese generativa de novas vistas. Por fim, discutimos conjuntos de dados disponíveis, aplicações e desafios em aberto. Esperamos que esta revisão ajude os leitores a explorar esse tópico empolgante e promova avanços adicionais no campo da geração de conteúdo 3D.

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.