🧊 3D 生成与编辑¶

🔬 ICLR2026 · 23 篇论文解读

📌 同领域跨会议浏览： 🧠 NeurIPS2026 (8) · 🎞️ ECCV2026 (50) · 📷 CVPR2026 (93) · 🧪 ICML2026 (5) · 🤖 AAAI2026 (8) · 🧠 NeurIPS2025 (12)

🔥 高频主题： Text-to-3D ×3 · 扩散模型 ×3 · 点云 ×2

ArtUV: Artist-style UV Unwrapping: ArtUV 把"专业美术师手工拆 UV"这件事自动化成端到端两阶段流程——先用 SeamGPT 预测语义切缝、再用一个图卷积+金字塔自编码器把传统软件拆出的"粗糙 UV"回归成偏移量、调成整洁低畸变的艺术家风格 UV 图，在畸变、利用率、速度上都超过 Blender/Maya 乃至人工手拆。
AssetFormer: Modular 3D Assets Generation with Autoregressive Transformer: 提出 AssetFormer，基于 Llama 架构的自回归 Transformer，将模块化 3D 资产（由 primitive 序列组成）建模为离散 token 序列，通过 DFS/BFS 图遍历重排序和联合词汇表解码实现从文本描述生成可直接用于游戏引擎的模块化 3D 资产。
DreamCS: Geometry-Aware Text-to-3D Generation with Unpaired 3D Reward Supervision: DreamCS 提出第一个直接在 3D 几何上做监督的偏好对齐框架：先用 LLM + 人工标注造出 3 万条非配对 3D 网格偏好数据集 3D-MeshPref，再用 Cauchy-Schwarz 散度训练一个不需要成对样本的几何感知奖励模型 RewardCS，最后通过可微网格化 + 自适应网格融合 + 渐进式奖励引导把它插进 SDS 文本到 3D 管线，显著缓解 Janus 多脸和几何残缺问题。
FullPart: Generating each 3D Part at Full Resolution: FullPart 把"先用隐式 vecset 扩散生成包围盒布局、再让每个部件在自己独立的全分辨率体素网格里生成细节"这两套范式拼到一起，配合中心-角点编码解决不同尺寸部件拼接时的尺度错位，并发布了迄今最大的人工标注 3D 部件数据集 PartVerse-XL（40K 物体 / 320K 部件），在部件级 3D 生成上取得 SOTA。
Generative Human Geometry Distribution: 把"单个几何体的分布表示（Geometry Distribution）"升级成"可在数据集上扩展的生成模型"，用 2D 特征图替代网络权重存几何、用 SMPL 模板替代高斯做流匹配源分布，首次让几何分布支持大规模 3D 人体生成，几何质量较 SOTA 提升 57%。
Interp3D: Correspondence-aware Interpolation for Generative Textured 3D Morphing: Interp3D 提出一个免训练框架，借助 TRELLIS 的 3D 生成先验，把"语义对齐→结构对齐→纹理对齐"的渐进式三阶段对应关系注入扩散生成过程，从而在两个带纹理 3D 资产之间生成结构连贯、外观合理、过渡平滑的形变序列。
Learning Hierarchical and Geometry-Aware Graph Representations for Text-to-CAD: Graph-CAD 把"文本→CAD 代码"这个长程任务拆成三段，先让 LLM 生成一张显式表达装配层级与几何约束的分解图作为中间表示，再依次规划动作、生成 bpy 代码，并配一套结构感知的渐进式课程学习不断逼近模型能力边界，在 CADBench 上的几何约束满足率（GCS）从端到端的 ~0.40 拉到 0.90。
LumiTex: Towards High-Fidelity PBR Texture Generation with Illumination Context: LumiTex 面向给定网格和参考图像的 PBR 纹理生成，把多视角光照上下文、分支式 albedo / metallic-roughness 材质推理和基于 LVSM 的几何引导视角补全接到一个流程里，在纹理质量、重光照一致性和人工偏好上都超过了开源与商业基线。
MoGen: Detailed Neuronal Morphology Generation via Point Cloud Flow Matching: MoGen 用流匹配在高分辨率 3D 点云上生成逼真的小鼠皮层轴突/树突片段形态，并把上百万合成样本喂给生产级连接组重建管线里的形状可信度分类器，把残余重建错误降了 4.4%，相当于全脑重建省下约 157 人年的人工校对。
Nano3D: A Training-Free Approach for Efficient 3D Editing Without Masks: 把 2D 的免训练编辑方法 FlowEdit 搬进 TRELLIS 的几何-外观两阶段生成里，再用一套基于连通域分析的 Voxel/Slat-Merge 把"该改的区域"贴回原物体，从而无需 mask、无需训练、无需多视图重建就能对 3D 物体做局部一致的增删改，并据此造出首个 10 万规模的 3D 编辑数据集。
One2Scene: Geometric Consistent Explorable 3D Scene Generation from a Single Image: 提出One2Scene——将单图到可探索3D场景的病态问题分解为三个子任务：(1)全景图生成扩展视觉覆盖 (2)前馈3DGS网络从稀疏锚点视角构建显式3D几何scaffold (3)scaffold引导的新视角合成，通过Dual-LoRA融合高质量锚点视角和几何先验，在大视角变化下实现几何一致且逼真的场景生成，显著超越SOTA。
PAT3D: Physics-Augmented Text-to-3D Scene Generation: PAT3D 把视觉语言模型推理和可微刚体接触仿真接进文本到 3D 场景生成流水线，先用参考图抽出物体间的支撑依赖搭成场景树、再生成一个无穿插的初始布局，最后用「仿真在环」的可微优化让场景在重力下收敛到既稳定又不穿插、还贴合文本语义的静态平衡，成为第一个能直接拿去做编辑和机器人操作的「仿真就绪」场景生成方法。
Plan then Act: Bi-level CAD Command Sequence Generation: 针对"LLM 直接生成 CAD 命令序列质量很差"的问题，本文提出 PTA：先用一个微调过的 Planner（Qwen3-8B）把用户文字指令解析成"链式高层操作计划"，再用一个带需求感知机制（RAM）的 Actioner 把计划落实成可执行的低层 CAD 命令序列，在 Text2CAD 数据集上把无效率压到 0.85%、各项几何指标全面领先。
QuadGPT: Native Quadrilateral Mesh Generation with Autoregressive Models: 提出 QuadGPT——首个端到端自回归生成原生四边形网格的框架，通过统一的混合拓扑tokenization（三角形面 padding 为4顶点块）、Hourglass Transformer 架构、以及基于拓扑奖励的截断 DPO (tDPO) 微调，在 Chamfer Distance、Hausdorff Distance、四边形比例和用户偏好上全面超越现有的三角形→四边形转换流水线和十字场引导方法。
Quartet of Diffusions: Structure-Aware Point Cloud Generation through Part and Symmetry Guidance: 这篇论文把点云生成拆成形状潜变量、对称群、语义部件和部件装配四个扩散过程，用显式部件与对称性先验生成更一致、更可控、且在 ShapeNetPart 上更接近真实分布的 3D 点云。
Scenethesis: A Language and Vision Agentic Framework for 3D Scene Generation: Scenethesis 是一个免训练的智能体框架，用 LLM 起草粗布局、视觉基础模型做视觉接地与场景图提取、物理感知优化器（语义对应 + SDF 接触/支撑约束）逐物体校正位姿，再用 GPT-5 裁判验证空间一致性并触发重规划，从而生成室内外通吃、碰撞少、稳定性高的可交互 3D 场景。
SceneTransporter: Optimal Transport-Guided Compositional Latent Diffusion for Single-Image Structured 3D Scene Generation: SceneTransporter 通过在组合 3D latent 扩散模型的去噪循环中引入熵最优传输（OT）框架，将 open-world 结构化 3D 场景生成重新建模为全局关联分配问题：OT 计划门控交叉注意力实现排他性的 patch-to-part 路由（防止特征纠缠），边缘正则化的分配代价鼓励在图像边缘处分离不同实例，在 74 张多样化 open-world 场景图像上实现了 SOTA 的实例级一致性和几何保真度。
SpaceControl: Introducing Test-Time Spatial Control to 3D Generative Modeling: SpaceControl 提出一种训练无关的测试时方法，把用户给定的 3D 几何（从粗糙的超二次曲面到精细网格）体素化后编码进预训练 3D 生成模型（Trellis）的潜空间，再用 SDEdit 式"加噪到 \(t_0\) 再去噪"的机制注入空间引导，并用单一参数 \(\tau_0\) 平滑调节"几何忠实度↔生成真实感"，在不微调任何参数的前提下，几何对齐度（Chamfer 距离）大幅超过训练式与优化式 baseline。
Stroke3D: Lifting 2D Strokes into Rigged 3D Model via Latent Diffusion Models: Stroke3D 首次实现从用户绘制的2D笔画和文本提示直接生成绑骨3D网格模型，采用骨骼优先的两阶段流水线：先用图VAE+图DiT生成可控3D骨骼，再通过TextuRig数据集增强和SKA-DPO优化生成高质量网格。
Text-to-3D by Stitching a Multi-view Reconstruction Network to a Video Generator: 提出VIST3A框架——通过模型拼接(model stitching)将预训练视频生成器的latent空间与前馈3D重建模型(如AnySplat/MVDUSt3R/VGGT)无缝对接，再用直接奖励微调(direct reward finetuning)对齐生成模型与拼接后的3D解码器，实现高质量端到端text-to-3DGS和text-to-pointmap生成，在T3Bench/SceneBench/DPG-Bench上全面超越现有方法。
Topology-Preserved Auto-regressive Mesh Generation in the Manner of Weaving Silk: 提出一种类似"织丝"的网格 tokenization 算法，通过顶点分层和排序提供规范的拓扑框架，保证生成网格的流形性、水密性、法线一致性和部件感知性，同时达到 SOTA 压缩效率。
UniUGG: Unified 3D Understanding and Generation via Geometric-Semantic Encoding: UniUGG 是第一个面向 3D 模态的「统一理解与生成」框架：用一个几何-语义联合预训练的 ViT 编码视觉表征，再让 LLM 结合扩散模型在压缩后的隐 token 上做条件去噪，从一张参考图 + 任意视角变换「想象」出几何一致的 3D 场景，同时保留空间 VQA 能力，在 VSI-Bench 上比次优方法高 17.9%。
Variation-Aware Flexible 3D Gaussian Editing: VF-Editor 把 3D 高斯编辑重新定义为「逐基元属性变分预测」问题，用一个从多源 2D 编辑知识蒸馏出来的前馈变分预测器，约 0.3 秒就能原生地编辑整个高斯场，既根除了「先 2D 编辑、再 3D 重建」范式的多视角不一致，又支持自由混合、强度调节等灵活编辑。