主要观点总结
本文报道了MIT及其合作伙伴在生成式人工智能用于创建3D模型方面的新研究。研究人员解决了生成逼真3D模型的问题，通过改进现有的Score Distillation技术，能够生成更加清晰、高质量的3D形状。该研究深入探索了生成2D图像与3D形状的算法差异，找出了3D模型质量较低的根本原因。新方法无需额外训练或复杂的后处理，就能生成质量相当或优于当前方法的3D模型。此外，该研究还提高了图像渲染的分辨率，并调整了一些模型参数，进一步提升了3D形状的质量。该研究团队包括来自MIT、牛津大学、丰田研究院和Meta的研究人员。
关键观点总结
关键观点1: 研究背景与问题
制作逼真的3D模型通常需要繁琐的过程，生成式AI图像模型虽然可以简化艺术创作过程，但不适用于生成3D形状。为解决这一问题，研究人员探索了生成2D图像与3D形状的算法关系与差异。
关键观点2: 技术创新点
MIT研究人员对Score Distillation进行了改进，通过深入研究和调整相关公式，解决了生成模糊或带有过度卡通风格的3D形状的问题，使生成的3D模型质量更加清晰、高质量。
关键观点3: 方法优势
新方法无需额外训练或复杂的后处理，就能生成质量相当或优于其他方法的3D模型。此外，通过提高图像渲染的分辨率和调整模型参数，进一步提升了3D形状的质量。
关键观点4: 研究团队与资助
该研究团队包括MIT、牛津大学、丰田研究院和Meta的研究人员。研究得到了多个机构和个人资助，包括丰田–CSAIL 联合研究中心、美国国家科学基金会、新加坡国防科学与技术局等的支持。
文章预览
（来源：MIT News） 制作 VR、电影和工程设计等所需的逼真 3D 模型通常是一个繁琐的过程，需要大量的手动尝试与调整。 尽管生成式 AI 图像模型可以通过文本提示生成逼真的 2D 图像，从而简化艺术创作过程，但这些模型并不适用于生成 3D 形状。为了解决这一问题，研究人员最近开发出名为“Score Distillation”的技术，利用 2D 图像生成模型来创建 3D 形状，但生成的结果往往模糊或带有过度的卡通风格。 MIT 的研究人员深入探索了生成 2D 图像与 3D 形状的算法之间的关系与差异，找出了 3D 模型质量较低的根本原因。基于此，他们对 Score Distillation 进行了简单的改进，使其能够生成更加清晰、高质量的 3D 形状，这些形状的质量更接近于目前最佳的模型生成 2D 图像水平。 （来源： MIT News） 如上图，这些示例展示了两个不同的 3D 旋转物体：一个机器蜜蜂
………………………………
