利用生成性人工智能创建逼真3D形状的新方法

麻省理工学院研究人员研究了生成2D图像与3D形状算法的关系，发现3D模型质量低下的原因。

提出了Score Distillation改进方法，能够生成清晰、高质量的3D形状，接近最佳2D图像质量。

生成图像的人工智能模型可以简化艺术创作过程，但不适合生成3D形状。

Score Distillation利用2D图像生成模型创建3D形状，但输出常常模糊或卡通化。

创建逼真的3D模型的过程繁琐，通常需要大量手动试错。

MIT研究人员的方法在不需要额外训练或复杂后处理的情况下，达到了与其他方法相当或更好的3D形状质量。

研究人员通过识别问题原因，改善了对Score Distillation及相关技术的数学理解。

研究团队的成员包括来自牛津大学、MIT-IBM沃森人工智能实验室、丰田研究所和Meta的研究人员。

研究成果将在神经信息处理系统会议上展示。

研究人员发现Score Distillation中的公式与2D扩散模型不匹配，导致3D形状模糊。

通过近似技术，研究人员找到了最佳解决方案，生成的3D形状清晰且逼真。

研究人员还提高了图像渲染的分辨率，进一步提升了3D形状质量。

该方法依赖于预训练的扩散模型，可能会继承模型的偏见和缺陷。

研究人员希望通过改进基础扩散模型来增强他们的过程，并探索如何将这些见解应用于图像编辑技术。