AssetFormer: Модульная генерация 3D-ассетов с использованием авторегрессивного трансформатора
AssetFormer: Modular 3D Assets Generation with Autoregressive Transformer
February 12, 2026
Авторы: Lingting Zhu, Shengju Qian, Haidi Fan, Jiayu Dong, Zhenchao Jin, Siwei Zhou, Gen Dong, Xin Wang, Lequan Yu
cs.AI
Аннотация
Цифровая индустрия предъявляет высокий спрос на качественные и разнообразные модульные 3D-ассеты, особенно для контента, создаваемого пользователями (UGC). В данной работе мы представляем AssetFormer — авторегрессионную модель на основе трансформера, предназначенную для генерации модульных 3D-ассетов по текстовым описаниям. Наше пилотное исследование использует реальные модульные ассеты, собранные с онлайн-платформ. AssetFormer решает задачу создания ассетов, состоящих из примитивов, которые соответствуют ограниченным параметрам проектирования для различных приложений. Благодаря инновационной адаптации методов последовательности модулей и декодирования, вдохновленных языковыми моделями, наш подход повышает качество генерации ассетов за счет авторегрессионного моделирования. Первоначальные результаты демонстрируют эффективность AssetFormer в упрощении создания ассетов для профессиональной разработки и сценариев UGC. Данная работа представляет гибкую структуру, расширяемую для различных типов модульных 3D-ассетов, внося вклад в развитие области генерации 3D-контента. Код доступен по адресу 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.