基于扩散模型的3D形状生成研究综述.docVIP

基于扩散模型的3D形状生成研究综述

一、扩散模型的基础理论与3D适配路径

扩散模型的核心思想源于非平衡热力学，通过逐步向数据中添加高斯噪声破坏原始信息，再训练神经网络学习逆向去噪过程，最终实现从随机噪声中生成符合真实分布的新样本。相较于生成对抗网络（GAN）的模式崩溃问题、变分自编码器（VAE）的生成模糊问题，扩散模型凭借稳定的训练过程、高保真的生成能力和灵活的条件控制特性，成为3D生成领域的主流技术框架。

针对3D形状的数据特性，研究者主要从数据表示和模型架构两个维度实现扩散模型的3D适配。在数据表示层面，目前主流的3D表示范式可分为三类：第一类是体素表示，将3D空间划分为均匀网格，每个网格单元存储occupancy或signeddistancefunction(SDF)值，这类表示与2D图像的网格结构天然对齐，早期3D扩散模型多采用该范式，如3D-Diffusion直接将2DU-Net拓展为3DU-Net处理体素数据，但存在内存占用随分辨率三次方增长的缺陷，早期模型通常仅能支持643以下的低分辨率生成。第二类是点云表示，以无序的三维坐标点集合描述形状，具有轻量化的优势，PointDiffusion等模型通过设计置换不变的噪声预测网络，实现了点云形状的生成，但点云缺乏拓扑连接信息，难以直接应用于需要表面建模的场景。第三类是隐式表示与网格表示，通过神经隐式场存储连