Trellis.2
PulseAugur coverage of Trellis.2 — every cluster mentioning Trellis.2 across labs, papers, and developer communities, ranked by signal.
- 2026-06-17 product_launch A native MLX port of TRELLIS.2 was released for Apple Silicon. 来源
1 天有情绪数据
-
Trellis.2 和 Pixal3D 3D AI 模型现已原生集成到 ComfyUI 中
Trellis.2 和 Pixal3D 是两个重要的 3D 生成式 AI 模型，现已原生集成到 ComfyUI 中。此次集成无需复杂的自定义节点、特定 CUDA 版本或 PyTorch 降级，简化了安装过程。新流程包括用于加载、预览、保存 3D 资产、网格后处理和 PBR 纹理的节点，所有这些都旨在能在消费级硬件上运行，并且可免费商用。
-
TRELLIS.2 INT8 ConvRot 模型通过 ComfyUI 在 AMD RX 7900 XTX 上原生运行
一位开发者发布了一个补丁套件，使 TRELLIS.2 INT8 ConvRot 模型能够通过 ComfyUI 在 AMD RX 7900 XTX GPU 上原生运行。该实现利用了融合的 Triton 内核以提高性能，与之前的方法相比，在某些操作中速度提高了 3.08 倍。该版本包含一个现成的 1024 工作流，并支持各种检查点路由选项，尽管纹理导出仍在开发中。
-
用户寻求开源2D到3D模型工作流以进行3D打印
一位Reddit用户正在寻找最佳的开源、本地工作流，将2D产品图像转换为可编辑、可打印的3D模型，特别是用于创建具有精确公差的空心、防水STL以用于盖子。用户发现TRELLIS虽然视觉上接近，但生成的STL存在大量不适合3D打印的错误。他们成功的方法是通过Blender中的程序化生成和专有辅助，现在他们正在寻找用于语义零件分离、空心化和流形验证等步骤的开源替代方案。
-
TRELLIS.2简化低显存GPU上的3D资产生成
一款名为TRELLIS.2的新开源工具已被开发出来，用于简化从图像创建高质量3D资产的过程。该工具甚至可以在只有6GB显存的消费级GPU上，在7分钟内生成一个3D资产。它集成了几个现有的开源项目，包括trellis.cpp、ComfyUI-Trellis2、Blender和AutoRemesher，为生成、纹理化、重新拓扑、绑定和动画提供了一个全面的界面。
-
用户寻求使用Trellis 2生成精确人体3D模型的帮助
一位Reddit用户正在寻求帮助，希望使用Trellis 2软件从图像生成精确的人体3D模型。虽然该软件可以成功地从AI生成的图像或物体等各种来源创建详细的3D模型，但在精确复制人脸方面却遇到了困难。用户已经尝试通过移除背景来预处理图像，并且在使用AI生成的名人图像时取得了成功，但正在寻找能够为个人照片实现80-90%面部精确度的方法。
-
开源AI管线可在本地生成游戏资产
一位开发者创建了一个使用开源AI模型在本地生成游戏资产的完整管线，并已移植到GGML以实现本地执行。该管线包括用于文本转语音及语音克隆（OpenMOSS）、音效生成（ThinkSound.cpp）以及最先进的3D模型生成（Trellis.2）的工具。这些工具已集成到Lemonade SDK中，通过级联模型实现文本到3D生成等复杂工作流。整个系统基于宽松的开源许可证构建，并支持CUDA、Vulkan和ROCm以实现广泛的硬件兼容性。
-
Trellis 2 导致用户 Mac 崩溃和设置问题
用户在 Mac 设备上运行 Trellis 2 时遇到严重困难，一位用户报告称内存使用量超过 73GB 并导致系统崩溃。另一位用户正在寻求有关在 Macbook 上设置 Trellis 的帮助，遇到了与缺少诸如 'mtldiffrast' 和 'torch' 等关键组件的发行版相关的错误。设置过程似乎很复杂，涉及终端命令以及与 macOS 的潜在兼容性问题。
-
Trellis 2 工作流已更新，集成 Qwen 2.5 11B 模型
用户已更新 Trellis 2 多视图工作流，以集成 Qwen 2.5 11B 模型。此次更新可在使用 Trellis 2 工作流处理多视图图像之前，更好地对齐它们。更新后的工作流（日期为 2026 年 6 月 29 日）可通过 Google Drive 链接获取，并为每个工作流名称提供了屏幕截图。
-
TRELLIS.2 已移植到 MLX 以支持 Apple Silicon，实现图像到 3D 生成
Microsoft 的 TRELLIS.2 已为 Apple Silicon 开发了原生的 MLX 版本，可实现图像到 3D 对象模型的生成。此版本注重在实际工作流程中的可用性，并支持 512x512 和 1024x1024 的分辨率。在 M4 Max 芯片上的性能基准测试表明，生成 512x512 图像大约需要 70 秒，生成 1024x1024 图像大约需要 300-700 秒。
-
CVPR 2026：D4RT荣获最佳论文，PhysInOne数据集发布
CVPR 2026会议圆满结束，Google DeepMind的D4RT凭借其4D动态场景重建技术荣获最佳论文奖，牛津VGG则连续第二次获得最佳论文奖。此次会议还发布了PhysInOne这一旨在推动世界模型和具身AI研究的庞大数据集，标志着重大进展。会议也见证了中国研究者的显著成就，包括本科生获得最佳论文提名，以及美团开源其560B参数的LongCat MoE模型。
-
CVPR 2026 奖项聚焦 4D 重建、3D 生成及中国研究者
在丹佛举行的 CVPR 2026 会议表彰了计算机视觉领域的重大进展，Google DeepMind 的 D4RT 模型因其高效的动态 4D 场景重建能力荣获最佳论文奖。Meta 的 SAM 3D 和 NVIDIA 的 NitroGen 分别因 3D 重建和游戏代理能力获得荣誉提及。最佳学生论文奖颁给了清华大学和 Microsoft Research 的 3D 生成模型 TRELLIS.2，而一项重要的最佳学生论文提名则突出了广东工业…
-
新的扩散模型增强了 3D 生成和网格创建
研究人员正在开发使用扩散模型和基于体素的方法进行 3D 生成的新方法。SymTRELLIS 通过在体素潜在空间上学习线性变换来强制 3D 模型中的对称性，从而提高物理可用性。MeshWeaver 使用多级稀疏体素编码器进行自回归网格生成，增强了几何上下文和压缩。离散体素扩散 (DVD) 提供了一个用于生成、评估和编辑稀疏体素的框架，提供了可解释的动态和不确定性估计。MeshFlow 使用 VAE 和 Rectified Flow Tr…
-
AI研究推动3D重建和场景理解进展
研究人员正在探索用于3D重建和场景理解的先进技术，重点关注优化计算资源和提高准确性。研究探讨了医学成像中2D、2.5D和3D模型之间的权衡，研究结果表明2.5D CNN提供了有利的平衡。其他工作引入了用于扩散时间步长调度的框架，以提高3D CT重建的效率和保真度。此外，正在开发新的在线3D视觉-语言模型，用于从流式视频进行实时空间理解，并提出了自适应特征优化方法来提高3D场景重建的质量。
-
Trellis 2和Copilot 3D生成器将文本和图像转换为3D模型
Trellis 2和Copilot 3D是人工智能驱动的工具，旨在从各种输入生成3D模型。Trellis 2通过概念到网格的迭代，专注于将创意转化为可用的3D资产，支持图像到3D和文本到3D工作流程。Copilot 3D也促进了从文本和图像创建3D资产，旨在简化原型设计和产品可视化流程。