🧊 3D 生成与编辑¶

🎞️ ECCV2024 · 26 篇论文解读

📌 同领域跨会议浏览： 🧠 NeurIPS2026 (8) · 🎞️ ECCV2026 (50) · 📷 CVPR2026 (93) · 🔬 ICLR2026 (23) · 🧪 ICML2026 (5) · 🤖 AAAI2026 (8)

🔥 高频主题： Text-to-3D ×10 · 扩散模型 ×6 · 3D 高斯渲染 ×3

AEDNet: Adaptive Embedding and Multiview-Aware Disentanglement for Point Cloud Completion: 提出AEDNet，通过自适应点云嵌入与多视角感知解耦（AED）模块，在编码器和解码器中分别对点云进行全局嵌入和局部解耦，利用从单位球面生成的3D视点从外部观察点云，实现了对3D对象几何的全面理解，在MVP和PCN数据集上达到SOTA。
AnimatableDreamer: Text-Guided Non-rigid 3D Model Generation and Reconstruction with Canonical Score Distillation: 提出 AnimatableDreamer，通过 Canonical Score Distillation (CSD) 技术，从单目视频提取骨骼和运动后生成文本引导的可动画化 3D 非刚体模型，在生成质量和时序一致性上全面超越现有方法。
ComboVerse: Compositional 3D Assets Creation Using Spatially-Aware Diffusion Guidance: 提出ComboVerse，一个组合式3D资产生成框架：先将包含多个物体的输入图像分解并独立重建为单物体3D模型，再通过空间感知的Score Distillation Sampling (SSDS)引导物体的位置、缩放和旋转参数优化，实现高质量多物体组合3D资产创建，在CLIP Score和人类评估中均显著优于现有方法。
Compress3D: a Compressed Latent Space for 3D Generation from a Single Image: 提出一种高度压缩的 triplane 潜空间自编码器，配合两阶段扩散模型（先生成 shape embedding 再生成 triplane latent），仅需 7 秒即可从单张图像生成高质量 3D 资产，且训练数据和时间远少于同类方法。
CRM: Single Image to 3D Textured Mesh with Convolutional Reconstruction Model: 提出卷积重建模型 CRM，利用 triplane 与六个正交视图之间的空间对齐先验，用 U-Net 替代 Transformer 直接从六视图映射到 triplane，结合 FlexiCubes 端到端训练，10 秒内从单张图像生成高保真纹理网格，训练成本仅为 LRM 的 1/8。
DreamDissector: Learning Disentangled Text-to-3D Generation from 2D Diffusion Priors: 提出DreamDissector框架，通过Neural Category Field和Deep Concept Mining将包含多物体交互的text-to-3D NeRF解耦为独立的带纹理网格，实现物体级别的3D编辑控制。
DreamScene360: Unconstrained Text-to-3D Scene Generation with Panoramic Gaussian Splatting: 提出DreamScene360，利用全景图像作为中间表示，结合GPT-4V自精炼机制和全景3D高斯溅射技术，实现从文本到沉浸式360°3D场景的快速生成。
DreamView: Injecting View-specific Text Guidance into Text-to-3D Generation: 提出DreamView，通过自适应文本引导注入模块，将视角特定的文本描述和全局文本描述协同注入扩散模型，实现可定制化且多视角一致的文本到3D生成。
External Knowledge Enhanced 3D Scene Generation from Sketch: 提出SEK框架，结合手绘草图和外部物体关系知识库作为扩散模型的条件，通过知识增强图推理和频谱滤波器，端到端地同时生成3D室内场景的布局和物体几何形状。
FlashTex: Fast Relightable Mesh Texturing with LightControlNet: 提出LightControlNet——一种光照感知的ControlNet变体，结合两阶段纹理优化pipeline，能在约4分钟内为3D网格生成高质量、可重光照的PBR纹理，速度比现有方法快3-10倍。
Forest2Seq: Revitalizing Order Prior for Sequential Indoor Scene Synthesis: 提出Forest2Seq框架，通过将无序的室内场景物体组织为层次化的场景树/森林结构，用广度优先遍历导出有意义的排列顺序作为先验知识，配合Transformer自回归解码器显著提升室内场景合成质量。
GaussCtrl: Multi-View Consistent Text-Driven 3D Gaussian Splatting Editing: 提出GaussCtrl，利用深度条件化的ControlNet编辑和注意力对齐模块实现多视角一致的文本驱动3DGS场景编辑，支持一次编辑所有视角并仅需一次3D模型更新。
GVGEN: Text-to-3D Generation with Volumetric Representation: 提出GVGEN，首个直接从文本前馈生成3D高斯的框架，通过将无序高斯组织为结构化体积表示(GaussianVolume)，并设计从粗到精的生成管线（先生成几何体积再预测高斯属性），在约7秒内完成文本到3D生成。
JointDreamer: Ensuring Geometry Consistency and Text Congruence in Text-to-3D Generation via Joint Score Distillation: 提出联合分数蒸馏（JSD），通过能量函数建模多视图去噪图像的联合分布，将 SDS 从单视图独立优化扩展为多视图联合优化，有效解决 3D 生成中的 Janus 问题，同时保持对复杂文本的生成保真度。
Learning 3D-Aware GANs from Unposed Images with Template Feature Field: 提出模板特征场(TeFF)，通过联合学习生成辐射场和语义特征场，从无姿态标注的野外图像中自动提取3D模板并在线估计相机位姿，从而实现完整3D几何的生成对抗学习。
LGM: Large Multi-View Gaussian Model for High-Resolution 3D Content Creation: 本文提出LGM，一个基于非对称U-Net架构的多视角3D高斯重建模型，从4张正交视角图像预测65536个3D高斯原语，在512分辨率下5秒内完成从文本/图像到高分辨率3D模型的生成，通过数据增强策略弥合训练-推理域差异。
LN3Diff: Scalable Latent Neural Fields Diffusion for Speedy 3D Generation: 提出LN3Diff++框架，通过3D感知的VAE将多视角图像压缩到紧凑的3D潜在空间，在该空间上训练扩散模型（U-Net或DiT），实现高质量、快速、通用的条件3D生成，包括文本到3D和图像到3D。
MVDD: Multi-View Depth Diffusion Models: 提出MVDD，一个基于多视角深度图表示的扩散模型，通过极线"线段"注意力和去噪深度融合实现3D一致的高质量形状生成，可生成20K+点的稠密点云。
Repaint123: Fast and High-Quality One Image to 3D Generation with Progressive Controllable Repainting: Repaint123 提出了一种渐进式可控重绘策略，用 2D 扩散模型生成多视角一致的高质量图像，再通过简单的 MSE 损失快速优化 3D 表征，仅需 2 分钟即可从单张图像生成纹理精细、多视角一致的 3D 内容，大幅超越基于 SDS 的方法。
SC4D: Sparse-Controlled Video-to-4D Generation and Motion Transfer: SC4D提出了一种基于稀疏控制点的视频到4D生成框架，通过将动态3D物体的运动和外观解耦为稀疏控制点（~512个）和密集高斯体（~50k个），结合自适应高斯初始化（AG）和高斯对齐损失（GA）解决形状退化问题，并实现了基于控制点运动的跨实体运动迁移应用。
ShapeFusion: A 3D Diffusion Model for Localized Shape Editing: 提出一种基于掩码扩散训练策略的3D网格局部编辑方法ShapeFusion，通过在顶点空间直接操作实现完全局部化、可解释的3D形状编辑，无需潜在空间优化。
SuperGaussian: Repurposing Video Models for 3D Super Resolution: 提出SuperGaussian，通过复用预训练视频上采样模型实现3D超分辨率，无需类别特定训练，可处理多种3D输入格式（高斯、NeRF、网格等），输出高质量Gaussian Splat模型。
TPA3D: Triplane Attention for Fast Text-to-3D Generation: 提出TPA3D，一个基于GAN的文本引导3D生成框架，通过三平面注意力（TPA）模块对句子级和词级文本特征进行逐层细化，实现快速且细粒度的文本到3D纹理网格生成。
UniDream: Unifying Diffusion Priors for Relightable Text-to-3D Generation: 提出UniDream，通过训练albedo-法线对齐的多视角扩散模型（AN-MVM），结合Transformer重建模型和分阶段SDS优化，实现可重光照的文本到3D生成，生成的3D物体具有干净的albedo纹理和PBR材质。
VCD-Texture: Variance Alignment based 3D-2D Co-Denoising for Text-Guided Texturing: 提出VCD-Texture，在Stable Diffusion去噪过程中统一2D和3D自注意力学习（JNP），通过方差对齐（VA）解决光栅化引起的方差衰减问题，并用修复细化处理不一致区域，实现高保真、高一致性的3D纹理合成。
WaSt-3D: Wasserstein-2 Distance for Scene-to-Scene Stylization on 3D Gaussians: 提出WaSt-3D，利用3D高斯溅射表示将风格迁移重新定义为两个高斯分布之间的最优传输问题，通过Sinkhorn散度匹配内容场景和风格场景的3D分布，首次实现了3D场景到场景的几何风格迁移。