Advances in 3D Generation: A Survey

生成三维模型是计算机图形学的核心，并已成为几十年研究的焦点。随着先进的神经表示和生成模型的出现，三维内容生成领域正在快速发展，使得越来越高质量和多样化的三维模型得以创建。这个领域的快速增长使得跟上所有最新发展变得困难。在这篇综述中，我们旨在介绍三维生成方法的基本方法，并建立一个结构化的路线图，包括三维表示、生成方法、数据集和相应的应用。具体而言，我们介绍了作为三维生成骨干的三维表示。此外，我们提供了一个快速增长的生成方法文献的全面概述，按算法范例类型分类，包括前馈生成、基于优化的生成、程序生成和生成新颖的视角合成。最后，我们讨论可用的数据集、应用和开放性挑战。我们希望这篇综述将帮助读者探索这个令人兴奋的主题，并促进三维内容生成领域的进一步发展。

3D模型生成是计算机图形学的核心，但随着神经表示和生成模型的出现，这个领域正在快速发展。本文旨在介绍3D生成方法的基本方法，并建立一个结构化的路线图，包括3D表示，生成方法，数据集和相应的应用。

本文介绍了作为3D生成支柱的3D表示。此外，我们提供了快速增长的生成方法文献的全面概述，按算法范例类型进行分类，包括前馈生成，基于优化的生成，程序生成和生成新视图合成。最后，我们讨论了可用的数据集，应用和开放挑战。

本文介绍了3D生成的基本方法和路线图。对于生成方法，本文提供了全面的概述，包括前馈生成，基于优化的生成，程序生成和生成新视图合成。文章还讨论了可用的数据集，应用和开放挑战。本文的亮点包括对生成方法进行分类和对数据集和应用的全面讨论。

最近的相关研究包括：1）《Learning to Generate 3D Mesh Models from Video Sequences》；2）《Neural 3D Mesh Renderer》；3）《Pixel2Mesh: Generating 3D Mesh Models from Single RGB Images》。