研究人员开发了一种名为结构化能量引导采样（SEGS）的新方法，以解决文本到3D生成中的Janus问题。该问题会导致不同视图下的几何形状不一致。SEGS通过识别扩散模型中的视图偏差，并在去噪过程中引入结构化能量梯度，从而在无需重新训练的情况下提高多视图一致性。实验表明，SEGS可将Janus率降低约10%，并提高DreamFusion和Magic3D等各种基线的得分。 AI
影响 通过减少视图不一致性来改进3D内容生成，可能增强在各种应用中的真实感和可用性。
排序理由 该集群包含一篇详细介绍文本到3D生成新方法的学术论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
Text-to-3D generation based on diffusion models often suffers from the Janus problem, leading to inconsistent geometry across viewpoints. This work identifies viewpoint bias in 2D diffusion priors as the main cause and proposes Structural Energy-Guided Sampling (SEGS), a training…
Text-to-3D generation based on diffusion models often suffers from the Janus problem, leading to inconsistent geometry across viewpoints. This work identifies viewpoint bias in 2D diffusion priors as the main cause and proposes Structural Energy-Guided Sampling (SEGS), a training…