标签
T3lescope提出一种单一固定分辨率生成器的推理时粗到细级联方法，从多视角图像实现跨尺度（从单物体到大型户外场景）的任意分辨率高保真3D场景网格重建，无需逐场景优化，在室内、户外和城市规模场景上超越了前馈与生成基线。
本文提出了一种强化学习代理，用于生成平面区域的可证明最优四边形块分解，展示了在可用性和最优性方面优于现有工具如Gmsh的性能。
WorldSculpt 是一个框架，可以将基于地面视频的杂乱场景重建为组合式的每物体网格，从而实现交互式3D世界生成和编辑。
Meshy T2 引入了一个基于流匹配的快速原生网格生成框架，结合顶点集网格 VAE，实现了最先进的几何保真度，端到端图像到网格生成中位时间仅 6 秒，比自回归基线快一个数量级以上。
PolyFlow利用拓扑嵌入器提出连续的网格表示，并基于Transformer实现流匹配的并行网格生成，相比自回归方法推理速度更快且分辨率控制精确。
MeshFlow 引入了一种等变最优传输流匹配模型，用于直接生成三角形网格，在达到最先进质量的同时，相比自回归方法提供了约18倍的推理加速。
JanusMesh 是一个快速、免训练的框架，通过将生成过程解耦为跨空间双分支去噪和视图条件纹理合成，生成文本驱动的3D视觉错觉——单个网格从不同视角展示不同语义——在仅3-5分钟内实现高真实感。
MeshWeaver 提出了一种自回归网格生成框架，它使用多级稀疏体素编码器直接预测顶点，为高多边形网格实现了最先进的压缩率和几何保真度。
一种基于时空注意力链的无需训练4D网格生成方法，将创建时间加速至9秒（13倍加速），同时提升时间一致性并扩展到更长的序列，具备零样本追踪和相机估计能力。
本文介绍了一种三角化无关的流匹配方法，用于基于网格的信号生成，采用Matérn过程作为噪声，PoissonNet作为去噪器，在大型网格上实现了高质量结果。
一位开发者将微软的TRELLIS.2图像转3D模型移植到Apple Silicon Mac上运行，通过用PyTorch MPS等价物替换仅CUDA依赖项，实现了无需NVIDIA GPU的离线3D网格生成。
社区移植版：微软 TRELLIS.2 图像转3D生成模型可在 Apple Silicon Mac 上通过 PyTorch MPS 原生运行，无需 NVIDIA GPU，在 M4 Pro 上约 3.5 分钟即可生成含 40 万以上顶点的高质量 3D 网格。
Spirula Studio 是一款开源工具，用于从原始照片或视频训练3D高斯溅射模型，支持通过Vulkan在多个GPU上运行，具有VRAM效率高、原生支持360°相机以及内置SfM和AI遮罩等功能。