Достижения в области генерации 3D: обзор

Advances in 3D Generation: A Survey

January 31, 2024

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

cs.AI

Аннотация

Создание 3D-моделей лежит в основе компьютерной графики и на протяжении десятилетий является предметом активных исследований. С появлением передовых нейронных представлений и генеративных моделей область генерации 3D-контента стремительно развивается, позволяя создавать всё более качественные и разнообразные 3D-модели. Быстрый рост этой области затрудняет отслеживание всех последних достижений. В данном обзоре мы стремимся представить фундаментальные методологии методов генерации 3D-моделей и установить структурированную дорожную карту, охватывающую представление 3D-данных, методы генерации, наборы данных и соответствующие приложения. В частности, мы рассматриваем 3D-представления, которые служат основой для генерации 3D-моделей. Кроме того, мы предоставляем всесторонний обзор быстро растущей литературы по методам генерации, классифицированным по типам алгоритмических парадигм, включая прямую генерацию, оптимизационную генерацию, процедурную генерацию и генеративный синтез новых видов. Наконец, мы обсуждаем доступные наборы данных, приложения и открытые задачи. Мы надеемся, что этот обзор поможет читателям изучить эту увлекательную тему и будет способствовать дальнейшему прогрессу в области генерации 3D-контента.

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.