学术背景 随着游戏、建筑和社交媒体等行业对高质量3D内容的需求不断增加，手动创建3D资产的过程不仅耗时且技术复杂，还成本高昂。特别是在游戏行业，角色和家具等资产的审美质量直接影响游戏环境的沉浸感。建筑行业则需要精确的建筑模型进行可视化、模拟和规划。社交媒体平台则越来越多地利用3D内容增强现实（AR）和虚拟现实（VR）体验。然而，3D模型的真实感往往依赖于详细的网格表示，包括顶点、边、面和纹理。因此，自动化生成可控、高质量的纹理网格成为迫切需求。 现有的生成模型（如GET3D和3DGen）虽然能够同时生成几何和纹理，但往往在几何精度和纹理细节之间难以平衡，导致生成的3D形状几何结构不准确，纹理细节过于粗糙或不真实。为此，本文提出了一种新的框架，将几何生成和纹理生成分离，通过稀疏潜在点扩散模型（...

One-shot Generative Domain Adaptation in 3D GANs 近年来，生成式对抗网络（Generative Adversarial Networks, GANs）在图像生成领域取得了显著进展。传统的二维生成模型已经能够在多种任务中展现出极高的能力。然而，将这一技术扩展到三维领域（3D-aware image generation），以同时生成二维图像并学习三维结构，仍然面临诸多挑战。本文报道了发表在 International Journal of Computer Vision 上的一篇题为《One-shot Generative Domain Adaptation in 3D GANs》的文章。该研究由 Ziqiang Li、Yi Wu、Chaoyue...