§9.1TRELLIS.2 · 下一代结构化原生扩散
TRELLIS.2— Native and Compact Structured Latents for 3D Generation
TRELLIS 的 SLAT 难同时抓住复杂拓扑 + 完整 PBR 外观,且非流形 / 透明物体处理不好。
关键想法:O-Voxel——一个 field-free 的稀疏体素表示,把几何 + PBR(base color / roughness / metallic / opacity)一起编码;配 16× 稀疏压缩 VAE 与 4B 参数 flow-matching 生成器。能处理开放/非流形表面与透明度。
相比 TRELLIS,TRELLIS.2 把几何 + PBR 统一进一个模型,是 2026 最清晰的"下一代原生扩散"。也是 Pixal3D 改进版的基座。
§9.2LATTICE · 半结构 VoxSet,明着弥合两派
LATTICE— Democratize High-Fidelity 3D Generation at Scale
vecset latent 没有位置结构,结构化体素 latent 又太重——和 2D 之间有 scalability 鸿沟。
关键想法:VoxSet——一种半结构 latent:把向量锚到一个粗体素格上,于是既能用位置编码、又能任意分辨率解码、还支持 token 级 test-time scaling。两阶段 rectified-flow transformer。
明着把 vecset 派(无坐标)与 结构化派(有坐标)缝在一起——这正是 Part VI/VII 那条分轴在 2026 的收敛。它也是 Hunyuan3D 2.5 的 10B 基座。
几何保真这条线 2026 还有 UltraShape(2512.21185,粗几何 + 固定 RoPE 锚点的体素 refinement,公开数据可训)等。
Pixal3D(像素对齐)已在 Part VII 详述——它也属于这一波 2026 原生扩散后继。
§9.3可动资产 · 从"静态形状"到"能动的对象"
AniGen— Unified S³ Fields for Animatable 3D Asset Generation
绑骨(rigging)通常是生成完 mesh 之后额外手工/后处理的一步。
关键想法:把 mesh + 骨架 + 蒙皮权重当成一组共享域上互相一致的 S³ Fields 一起生成(置信度衰减的骨架场 + 关节数无关的双蒙皮场),从一张图直出可动画资产。
第一个在一个统一模型里直出可绑定、能动画的资产(胜过 UniRig/RigAnything/Puppeteer 这类后处理绑骨)——把 部件级生成 推向"能动"。
关节物体一支:PAct(2602.14965,部件中心的前馈关节物体生成,每个部件 latent 带部件身份 + 关节信息,从单图前馈出几何 + 组合 + 关节,无需逐实例优化)——
PartCrafter 谱系在 2026 的关节化后继。
§9.4mesh-AR 前沿 · 继续压 token、补全局依赖
FACE · MeshRipple · HiFi-Mesh— 一面一 token · 前沿生长 · 紧凑 AR 依赖
滑窗 AR 砍了 token 但断了长程依赖 → 网格出洞/碎片;序列仍是面数上限。
关键想法:FACE 一面一 token(~9× 压缩),并把 face 级 AR latent 缝进图像→mesh latent diffusion;MeshRipple 从一个生成前沿向外"涟漪式"生长(前沿感知 BFS tokenization + 稀疏注意力做近乎无界的全局记忆);HiFi-Mesh 用 LANE 把可生成序列再拉长 ~6×。
把 §8.2 的军备竞赛 推进到 2026:更短 token + 全局记忆 + 与扩散更深融合。
§9.5少步蒸馏 · 产品动态
MDT-dist— Few-step Flow for 3D Generation via Marginal-Data Transport Distillation
原生 3D flow 模型一次生成要 ~25 步,每步一个大 DiT,仍嫌慢(痛点 d)。
关键想法:用 Velocity Matching + Velocity Distillation 把 TRELLIS 的 flow transformer 从 25 步蒸到 1–2 步(0.68s,~9× 提速)。
把 2D 扩散里成熟的"少步蒸馏"成功搬到原生 3D flow——速度这条线的领头结果。
产品侧(非论文,工业):Tripo 发布 H3.1(高精度几何)/ P1.0(秒级生产网格),并启动世界模型方向 "Project Eden";
Hunyuan3D 3.0(产品,"层级雕刻" DiT,$1536^3$)与 Hunyuan3D 2.5(10B 的 LATTICE 基座)。
这些多为产品发布、无独立 arXiv 技术报告,按工业动态看待。
§9.6还没解决的问题
把调研里反复冒出来的缺口列清楚——这些就是明确的研究机会:
- 分辨率 / 薄结构 / 锐边。稀疏注意力(Direct3D-S2)、法线桥(Hi3DGen)、锐边采样(Dora)各推一程,但又薄又尖的结构(线缆、叶片、文字)仍难,原生 $1024^3$+ 还很贵。
- 统一几何 + PBR + 可动,一个模型出活。TRELLIS.2(几何+PBR)、AniGen(几何+骨骼)各做了一半的统一;"一次出几何+PBR+绑骨+关节"仍未整合。
- vecset vs 结构化 latent 的最终形态。LATTICE 的半结构 VoxSet 像是收敛方向,但还没有公认的"正确 latent"。
- 速度 vs 保真的帕累托前沿。少步蒸馏(MDT-dist)到 1–2 步,但蒸馏后的保真/多样性损失尚无定论;亚秒 + 高保真 + 高多样性还没同时拿到。
- 数据(痛点 a 仍在)。Objaverse(-XL) 又小又脏,缺高质量 PBR/拓扑/关节标注;合成数据与数据清洗管线(Step1X-3D/UltraShape 在做)仍是瓶颈。
- 评估。CD/F-score/CLIP 抓不住"拓扑是否干净、UV 是否可用、能否重光照、能否绑骨"这些生产可用性维度——缺一个好基准。
- 组合 / 场景 / 关节。PartCrafter/MIDI/PAct 起步,但"任意可编辑、物理合理、可交互"的复合场景资产仍远。
- 3DGS-native 生成的成熟度。TripoSplat/GaussianGPT 等仍在解决"无序、变数目、属性尺度"的根本难题,不如 mesh-native 成熟。
总结一句话 · 整本综述
现代 3D 生成的历史 = 不断把"3D 的先验"放到更靠近 3D 的地方:
SDS(逐资产借 2D 模型蒸馏)→ 多视图扩散(借 2D 造一致视图再重建)→ LRM(把映射压进一个前馈网络)→
原生 3D 扩散(在一个 3D latent 空间里学真分布、直接采样——当今主线)。
这条主线的内部张力是一根分轴——latent 有没有坐标(vecset 无 / 结构化 SLAT 有),2026 的 LATTICE 用半结构 VoxSet 把两端缝起来。
当 latent 学好了,剩下的全是"能不能用"的工程:干净拓扑(mesh-AR)、可重光照 PBR、以及 2026 新加的可动/可绑骨(AniGen)。
所有 ~100 篇工作,都是在这张图的某个角落"上一颗螺丝"。