本研究提出了Diffleop模型，针对深度学习三维生成模型在优化过程中未充分考虑蛋白-配体结合亲和力的问题。结果表明，Diffleop在多个指标上优于基线模型，尤其在结合亲和力方面表现突出。

本研究提出了一种小波潜在扩散（Wala）方法，旨在解决大规模三维生成模型在细节和复杂几何形状表现不足的问题。该方法通过小波编码实现高达2427倍的压缩比，显著提高训练效率，并生成高质量的三维形状，展现出先进的性能。

XAGen是一种先进的三维生成模型，能够控制人体、脸部和手部的表达。研究提出了多种手部重建方法，包括基于弱监督的高保真手部网格模型和实时多视图单手重建方法，显著提高了重建的准确性和效率。此外，HanDiffuser和AttentionHand方法在生成高质量手部图像方面表现出色，推动了计算机视觉和图形学的发展。

本研究提出了一种新型三维生成模型DiffSBDD，旨在设计与特定蛋白质靶点高度亲和的小分子配体。该模型结合了结构药物设计和机器学习，展示了高效性和多样性，生成的分子具有更真实的三维结构和更高的结合亲和力。此外，研究还提出了综合评估框架，以提升药物设计模型的实际适用性，缩小理论预测与实际应用之间的差距。

本文介绍了多种基于机器学习的三维生成模型，如DiffSBDD和BindDM，这些模型通过自适应提取结合位点信息，生成高亲和力的小分子配体，展现出优越的效率和多样性。同时，研究探讨了AutoFragDiff和DiffDock模型在分子设计中的应用，强调生成分子的几何性质和结合能力。

本文介绍了一种名为Instant3D的零样本三维生成模型，能够快速将二维图像转化为高质量三维资产。该模型结合文本提示和图像信息，通过两阶段方法生成结构化视图，有效解决了生成过程中的多样性和一致性问题。研究表明，该方法在20秒内生成3D对象，显著提高了效率和质量。

该文介绍了一种新的细粒度基准，用于推动文本条件下的三维生成模型的研究。该方法通过自动改进与形状关联的文本描述，并提出了一个量化指标来评估文本与形状的一致性。