💡 站外导读：文本到3D生成长期面临一个核心矛盾：如何在保证生成质量的同时，避免输出结果千篇一律——即所谓的“模式坍塌”。传统方法依赖KL散度，倾向于生成最“安全”的单一结果，严重限制了创意多样性和实际应用价值。随着AIGC浪潮席卷游戏、影视、建筑等行业，市场对高质量、多样化3D资产的需求正呈指数级增长，技术突破迫在眉睫。

Dive3D是北京大学和小红书公司合作推出的文本到3D生成框架。框架基于分数的匹配（Score Implicit Matching，SIM）损失替代传统的KL散度目标，有效避免模式坍塌问题，显著提升3D生成内容的多样性。Dive3D在文本对齐、人类偏好和视觉保真度方面表现出色，在GPTEval3D基准测试中取得优异的定量结果，证明了在生成高质量、多样化3D资产方面的强大能力。

Dive3D的主要功能

• 多样化3D内容生成：根据文本提示生成多种风格和细节的3D模型，避免传统方法中常见的模式坍塌问题，即生成结果过于单一和相似。
• 高质量3D模型生成：支持生成的3D模型具有较高的视觉保真度，包括精细的纹理细节、逼真的几何形状和合理的光照效果等。
• 良好的文本对齐能力：支持生成的3D模型与输入的文本描述高度匹配，准确地反映文本中提到的各种元素和特征。
• 支持多种3D表示形式：支持生成不同类型的3D表示，如神经辐射场（NeRF）、高斯点云（Gaussian Splatting）和网格（Mesh）等，满足不同应用场景和用户的需求。

Dive3D的技术原理

• 分数隐式匹配（Score Implicit Matching，SIM）损失：Dive3D的核心技术之一。传统的基于KL散度的损失函数（如在Score Distillation Sampling，SDS中使用）会导致模式寻求行为，让生成模型倾向于生成高密度区域的样本，限制生成的多样性。SIM损失直接匹配生成内容的概率密度梯度场（分数）和扩散先验的分数，避免KL散度的问题，鼓励模型探索多个高概率区域，在保持保真度的同时提高生成的多样性。
• 统一的散度视角框架：Dive3D将扩散蒸馏和奖励引导优化整合到一个基于散度的框架中。框架包括三个核心的散度损失，条件扩散先验损失（CDP）、无条件扩散先验损失（UDP）和奖励损失（ER）。基于合理地组合和调整损失的权重，在生成的多样性、文本对齐和视觉质量之间取得平衡。
• 基于扩散模型的优化：Dive3D用预训练的2D扩散模型（如Stable Diffusion）作为先验知识，基于多视图渲染将3D表示优化为与文本提示相匹配的2D图像。在优化过程中，迭代地对3D模型进行渲染、计算损失并更新模型参数，让生成的3D模型的渲染图像逐渐接近预训练扩散模型所期望的图像分布。
• 高效的优化算法：为提高优化效率，Dive3D用高效的优化算法和策略。例如，引入分类器自由引导（Classifier-Free Guidance，CFG）技术，在优化过程中更好地平衡文本条件和无条件的生成效果；基于合理设置噪声时间表和优化步长等参数，加快优化收敛速度，减少生成时间。

Dive3D的项目地址

• 项目官网：https://ai4scientificimaging.org/dive3d/
• GitHub仓库：https://github.com/ai4imaging/dive3d
• arXiv技术论文：https://arxiv.org/pdf/2506.13594

Dive3D的应用场景

• 游戏开发：快速生成游戏中的角色、道具和场景。根据游戏剧本中的描述，自动生成具有不同风格和细节的游戏角色模型，减少美术设计的工作量。
• 影视制作：为电影、电视剧和动画制作提供创意原型和概念设计。根据剧本描述生成场景和角色的3D模型，帮助导演和美术师更好地进行创意构思。
• 建筑设计：根据文本描述生成建筑模型，帮助建筑师快速展示设计概念，进行方案比较和优化。
• 虚拟场景构建：为VR和AR应用生成逼真的虚拟场景和物体。在虚拟旅游应用中，根据用户输入的地点描述生成相应的3D场景，让用户身临其境地体验虚拟环境。
• 科学教育：生成复杂的科学模型，如生物细胞、分子结构等，帮助学生更好地理解抽象的科学概念。