A Survey On Text-to-3D Contents Generation In The Wild

3D内容创作在各种应用中都扮演着重要角色，如游戏、机器人仿真和虚拟现实。然而，这个过程是费时费力的，需要熟练的设计师投入大量精力来创建一个3D资产。为了解决这个挑战，文本生成3D技术已经成为自动化3D创作的有希望的解决方案。利用大型视觉语言模型的成功，这些技术旨在基于文本描述生成3D内容。尽管这个领域最近取得了一些进展，但现有的解决方案在生成质量和效率方面仍然面临着重大限制。在本调查中，我们对最新的文本生成3D方法进行了深入调查。我们提供了关于文本生成3D的全面背景，包括讨论用于训练的数据集和用于评估生成的3D模型质量的评估指标。然后，我们深入探讨了各种3D表示形式，这些表示形式是3D生成过程的基础。此外，我们对不断增长的生成流水线文献进行了全面比较，将它们分类为前馈生成器、基于优化的生成和视图重建方法。通过研究这些方法的优点和缺点，我们旨在揭示它们各自的能力和局限性。最后，我们指出了未来研究的几个有前途的方向。通过这项调查，我们希望激发研究人员进一步探索开放词汇条件下的文本生成3D内容的潜力。

文本到3D生成技术存在的问题是什么？本文试图解决这些问题并提出新的解决方案。

本文提出了一种基于大型视觉语言模型的文本到3D生成技术，通过生成模型来自动化3D创作过程。文章对现有的文本到3D生成技术进行了深入调查和比较，并提出了未来研究的方向。

本文深入调查了最新的文本到3D生成技术，并对使用的数据集和评估指标进行了讨论。文章对不同的3D表示方法进行了讨论，对生成模型进行了分类，并比较了它们的优缺点。此外，文章还指出了未来研究的一些有前途的方向。

最近在这个领域中，还有一些相关的研究，如《Learning to Infer Implicit Surfaces without 3D Supervision》、《Neural Volumes: Learning Dynamic Renderable Volumes from Images》等。