在3D建模和生成领域我们常常面临一个核心挑战如何高效、可控地生成具有复杂内部结构或特定功能形态的3D部件传统的“加法”生成方式如从零开始堆叠体素或点云往往难以精确控制局部细节和部件间的组合关系。近期一种名为“SCULPT: Subtractive Composition for 3D Part Generation”的新思路引起了广泛关注它借鉴了雕塑中的“减法”艺术为3D部件生成提供了一种全新的范式。本文将深入解析SCULPT的核心思想、技术实现路径并提供一个从理论到代码实践的完整指南。无论你是计算机图形学的研究者还是希望将先进生成技术应用于游戏、工业设计或3D打印的开发者都能从本文中获得清晰的认知和可操作的实践方案。我们将从概念入手逐步拆解其算法架构最后通过一个简化的代码示例帮助你理解如何将“减法组合”这一理念落地。1. SCULPT核心概念从“加法”到“减法”的范式转变在深入技术细节之前我们首先要理解SCULPT试图解决的根本问题以及其核心创新点。1.1 传统3D生成方法的局限当前主流的3D生成方法如基于体素Voxel、点云Point Cloud或神经辐射场NeRF的方法本质上是一种“加法”过程。模型学习从一个随机噪声或文本描述中“无中生有”地构建出整个3D形状。这种方法在生成完整、连贯的物体外形上取得了巨大成功。然而当任务聚焦于生成物体的一个部件Part时问题变得复杂部件语义模糊性一个“轮子”可以是汽车的、摩托车的或是办公椅的其具体形态高度依赖于它所属的整体物体。纯粹的生成模型很难在没有整体上下文的情况下生成语义正确且结构合理的部件。组合兼容性生成的部件需要能够与其它部件如车身、底盘无缝组合。加法生成模型缺乏对部件间接口如连接点、装配面的显式约束。局部编辑困难若想对现有物体的某个部件进行修改或替换加法模型通常需要重新生成整个物体缺乏细粒度控制。1.2 “减法组合”的基本思想SCULPT提出了一种逆向思维与其从无到有生成一个部件不如从一个已知的、完整的“毛坯”3D形状开始通过一系列“减法”操作雕刻出我们想要的部件。这个思想包含两个关键概念减法Subtractive操作的核心是“移除”材料而非“添加”。这可以通过布尔差集运算、体素删除、网格切割等3D几何操作来实现。组合Composition部件不是孤立生成的而是在与一个或多个“上下文形状”的关系中被定义和雕刻出来的。这个上下文形状提供了部件存在的语义和几何边界。一个生动的比喻想象一位雕塑家面对一块大理石完整的毛坯形状他的目标是雕出一个手臂目标部件。他不会凭空变出粘土来做手臂加法而是通过凿去大理石上不属于手臂的部分减法并且这个手臂的姿势和大小是由它所要连接的身体上下文形状决定的组合。1.3 SCULPT的应用场景这种范式特别适用于以下场景装配体部件生成在机械设计、家具设计中生成与现有组件匹配的新零件。3D模型补全与修复给定一个残缺的模型生成缺失的部件并使其与剩余部分自然衔接。程序化建模基于规则或参数从基础形状库中衍生出复杂多变的部件变体。创意设计工具为设计师提供一种直观的“雕刻式”生成交互通过调整上下文和减法参数来探索设计空间。2. 技术架构与实现原理拆解理解了核心思想后我们来看SCULPT是如何将这一思想转化为可计算的模型。其技术架构通常包含以下几个核心模块。2.1 输入表示与特征提取模型的输入通常包括上下文形状Context Shape一个或多个已知的3D形状为部件生成提供环境和约束。例如生成车门时车身就是上下文形状。部件语义指示Part Indicator这可以是一个文本标签如“车轮”、一个边界框指定部件的大致位置、或一个粗糙的部件形状先验。这些输入需要被编码成神经网络可以处理的特征。常用的方法包括使用3D卷积神经网络3D CNN处理体素化后的形状。使用点云网络如PointNet或图卷积网络GCN处理网格数据。使用预训练的视觉-语言模型如CLIP处理文本标签并将其特征与几何特征融合。2.2 可学习减法操作的学习这是SCULPT的核心。模型需要学习一个“减法函数”该函数能够预测为了从毛坯形状中得到目标部件需要在哪些位置移除材料。常见的技术路径体素空间中的掩码预测将毛坯形状和上下文形状置于同一个体素网格中。模型输出一个与体素网格同尺寸的3D概率掩码Mask。值为1表示“保留”值为0表示“移除”。通过阈值化后与毛坯形状做逐体素的逻辑与运算即可得到部件。# 伪代码示意 # voxel_blank: 毛坯体素网格 (1表示有材料0表示空) # voxel_context: 上下文体素网格 # combined_feature encode(voxel_blank, voxel_context, part_indicator) subtraction_mask model(combined_feature) # 输出范围[0,1] binary_mask (subtraction_mask threshold).float() part_voxel voxel_blank * binary_mask # 逐元素乘法实现“减法”有符号距离场SDF的偏移预测用SDF表示形状空间任一点的值表示到物体表面的最近距离内部为正外部为负。模型学习一个位移场将毛坯SDF的零值等值面向内“推”从而改变形状等效于移除外部材料。网格变形与切割在网格表示上模型预测一组顶点的位移或预测一个切割平面/曲面将不需要的部分分离。2.3 损失函数与训练策略训练这样的模型需要精心设计损失函数以同时保证部件本身的质量以及部件与上下文的兼容性。部件重建损失Part Reconstruction Loss确保生成的部件与真实部件在几何上一致。可以使用倒角距离Chamfer Distance、体素交叉熵Voxel Cross-Entropy或SDF的L1/L2损失。上下文兼容性损失Context Compatibility Loss这是SCULPT的关键。确保生成的部件能够与上下文形状正确“对接”。接触面损失鼓励生成部件与上下文在特定区域有接触如车门与车身的铰链区域。干涉损失惩罚生成部件与上下文形状发生不合理的穿插干涉。语义一致性损失利用预训练模型确保生成的部件在视觉和语义上与上下文匹配例如一个“现代风格”的车身应该配一个“现代风格”的车门。正则化损失Regularization Loss鼓励减法掩码平滑、连续避免生成支离破碎或带有噪声的部件。训练数据通常需要成对的(完整形状, 上下文形状, 目标部件)三元组。这些数据可以从现有的3D模型数据集如PartNet、ShapeNet中通过分割和组合来构建。3. 环境准备与依赖说明为了后续的实践环节我们需要搭建一个可以进行3D深度学习实验的环境。以下配置是一个通用的起点具体版本可根据你的硬件和项目需求调整。核心环境要求操作系统Linux (Ubuntu 20.04/22.04) 或 Windows (WSL2) 推荐。macOS (Apple Silicon) 也可行但部分库的安装可能不同。Python3.8 或 3.9。这是大多数深度学习框架稳定支持的版本。CUDA如果你的GPU是NVIDIA的需要安装与PyTorch版本匹配的CUDA工具包如CUDA 11.3, 11.6, 11.8。这是加速训练的关键。PyTorch我们将以PyTorch作为主要的深度学习框架。请根据 官网指令 安装与你的CUDA版本对应的PyTorch。项目依赖库创建一个requirements.txt文件包含以下核心库torch1.12.0 torchvision0.13.0 numpy1.21.0 trimesh3.15.0 # 用于3D网格数据的加载、处理和可视化 open3d0.15.0 # 另一个强大的3D数据处理和可视化库与PyTorch兼容性好 scikit-image0.19.0 tqdm4.64.0 # 进度条 tensorboard2.9.0 # 训练可视化 pyvista0.36.0 # 高级3D可视化可选但推荐安装命令# 1. 创建并激活虚拟环境推荐 conda create -n sculpt_env python3.9 conda activate sculpt_env # 2. 安装PyTorch请访问官网获取最准确的安装命令示例如下 # 例如对于CUDA 11.6 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu116 # 3. 安装其他依赖 pip install -r requirements.txt数据准备我们将使用一个简化版的流程进行演示。你可以从公开数据集如ShapeNet或PartNet下载数据。为了快速开始我们可以使用trimesh库生成一些简单的合成形状作为“毛坯”和“上下文”。4. 实战基于体素掩码预测的简化SCULPT实现本节我们将实现一个极度简化的SCULPT模型原型。我们的目标是给定一个“L”形墙体上下文和一个方块毛坯让模型学会从方块中“减”出一个与之契合的“墙角”部件。4.1 创建项目结构与合成数据首先创建项目目录并生成一些简单的训练数据。# generate_synthetic_data.py import torch import numpy as np import os def create_voxel_grid(size32): 创建一个32x32x32的体素网格坐标系 return np.zeros((size, size, size), dtypenp.float32) def create_l_shape_context(voxel_grid): 在体素网格中创建一个L形墙体作为上下文 grid voxel_grid.copy() # 创建一面垂直的墙 grid[10:22, 10:22, 0:20] 1.0 # 创建与之垂直的另一面墙形成L形 grid[10:22, 10:22, 0:20] 1.0 grid[0:10, 10:22, 0:20] 1.0 return grid def create_blank_block(voxel_grid, position(5,5,5), size(15,15,15)): 在指定位置创建一个方块作为毛坯材料 grid voxel_grid.copy() x, y, z position sx, sy, sz size grid[x:xsx, y:ysy, z:zsz] 1.0 return grid def create_target_part(blank_block, context): 定义目标部件即方块与L形墙体内侧重叠的部分墙角 # 这是一个简化的“减法”逻辑部件是方块的一部分且这个部分被墙体“包裹” # 在实际模型中这个关系应由网络学习。这里我们手动定义作为监督信号。 part blank_block.copy() # 假设我们想保留方块中与墙体相邻的“墙角”部分。 # 这里我们简单地定义保留方块中x和z坐标较小的那个区域。 part[10:, :, :] 0 # 移除x大于10的部分 part[:, :, 10:] 0 # 移除z大于10的部分 # 确保部件不与墙体冲突在实际问题中部件是墙体的补充这里我们忽略复杂关系 part part * (1 - context) # 确保部件不占用墙体空间可选取决于任务定义 return part def generate_dataset(num_samples100): 生成合成数据集 contexts [] blanks [] parts [] for _ in range(num_samples): voxel create_voxel_grid(32) context create_l_shape_context(voxel) # 让毛坯方块的位置有微小随机性增加数据多样性 pos_offset np.random.randint(-3, 4, size3) blank create_blank_block(voxel, position(5pos_offset[0], 5, 5pos_offset[2])) part create_target_part(blank, context) contexts.append(context) blanks.append(blank) parts.append(part) return np.array(contexts), np.array(blanks), np.array(parts) if __name__ __main__: context_np, blank_np, part_np generate_dataset(50) # 保存为npy文件供训练使用 os.makedirs(./data/synthetic, exist_okTrue) np.save(./data/synthetic/contexts.npy, context_np) np.save(./data/synthetic/blanks.npy, blank_np) np.save(./data/synthetic/parts.npy, part_np) print(f数据集已生成: contexts{context_np.shape}, blanks{blank_np.shape}, parts{part_np.shape})4.2 构建简易的SCULPT神经网络模型我们将构建一个简单的3D U-Net来预测减法掩码。# model.py import torch import torch.nn as nn import torch.nn.functional as F class DoubleConv3D(nn.Module): (3D卷积 - BN - ReLU) * 2 def __init__(self, in_channels, out_channels): super().__init__() self.double_conv nn.Sequential( nn.Conv3d(in_channels, out_channels, kernel_size3, padding1), nn.BatchNorm3d(out_channels), nn.ReLU(inplaceTrue), nn.Conv3d(out_channels, out_channels, kernel_size3, padding1), nn.BatchNorm3d(out_channels), nn.ReLU(inplaceTrue) ) def forward(self, x): return self.double_conv(x) class Down3D(nn.Module): 下采样MaxPool - DoubleConv def __init__(self, in_channels, out_channels): super().__init__() self.maxpool_conv nn.Sequential( nn.MaxPool3d(2), DoubleConv3D(in_channels, out_channels) ) def forward(self, x): return self.maxpool_conv(x) class Up3D(nn.Module): 上采样转置卷积 - 跳跃连接 - DoubleConv def __init__(self, in_channels, out_channels): super().__init__() self.up nn.ConvTranspose3d(in_channels, in_channels // 2, kernel_size2, stride2) self.conv DoubleConv3D(in_channels, out_channels) # in_channels concat后的通道数 def forward(self, x1, x2): # x1: 上采样路径的特征 x2: 跳跃连接的特征 x1 self.up(x1) # 处理可能的尺寸不匹配由于池化时的取整 diffZ x2.size()[2] - x1.size()[2] diffY x2.size()[3] - x1.size()[3] diffX x2.size()[4] - x1.size()[4] x1 F.pad(x1, [diffX // 2, diffX - diffX // 2, diffY // 2, diffY - diffY // 2, diffZ // 2, diffZ - diffZ // 2]) x torch.cat([x2, x1], dim1) # 沿通道维度拼接 return self.conv(x) class OutConv3D(nn.Module): def __init__(self, in_channels, out_channels): super().__init__() self.conv nn.Conv3d(in_channels, out_channels, kernel_size1) def forward(self, x): return self.conv(x) class SimpleSculptUNet(nn.Module): 一个简化的3D U-Net用于预测减法掩码 def __init__(self, n_channels2, n_classes1): # 输入2通道毛坯上下文 super().__init__() self.n_channels n_channels self.n_classes n_classes self.inc DoubleConv3D(n_channels, 32) self.down1 Down3D(32, 64) self.down2 Down3D(64, 128) self.down3 Down3D(128, 256) self.down4 Down3D(256, 512) self.up1 Up3D(512, 256) self.up2 Up3D(256, 128) self.up3 Up3D(128, 64) self.up4 Up3D(64, 32) self.outc OutConv3D(32, n_classes) def forward(self, x): # x shape: (batch, 2, D, H, W) x1 self.inc(x) x2 self.down1(x1) x3 self.down2(x2) x4 self.down3(x3) x5 self.down4(x4) x self.up1(x5, x4) x self.up2(x, x3) x self.up3(x, x2) x self.up4(x, x1) logits self.outc(x) # 输出未归一化的logits return torch.sigmoid(logits) # 使用sigmoid激活输出概率掩码[0,1]4.3 编写训练脚本# train.py import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader, TensorDataset import numpy as np from model import SimpleSculptUNet import tqdm # 1. 加载数据 print(加载数据...) contexts np.load(./data/synthetic/contexts.npy) blanks np.load(./data/synthetic/blanks.npy) parts np.load(./data/synthetic/parts.npy) # 转换数据格式并增加通道维度 # 输入X: 将毛坯和上下文在通道维度拼接 - (batch, 2, 32, 32, 32) X np.stack([blanks, contexts], axis1).astype(np.float32) # 标签Y: 目标部件掩码 - (batch, 1, 32, 32, 32) Y parts[:, np.newaxis, :, :, :].astype(np.float32) # 转换为PyTorch张量 X_tensor torch.from_numpy(X) Y_tensor torch.from_numpy(Y) # 创建数据集和数据加载器 dataset TensorDataset(X_tensor, Y_tensor) train_loader DataLoader(dataset, batch_size4, shuffleTrue) # 2. 初始化模型、损失函数和优化器 device torch.device(cuda if torch.cuda.is_available() else cpu) print(f使用设备: {device}) model SimpleSculptUNet(n_channels2, n_classes1).to(device) criterion nn.BCELoss() # 二值交叉熵损失用于概率掩码 optimizer optim.Adam(model.parameters(), lr0.001) # 3. 训练循环 num_epochs 50 model.train() for epoch in range(num_epochs): epoch_loss 0.0 progress_bar tqdm.tqdm(train_loader, descfEpoch [{epoch1}/{num_epochs}]) for batch_idx, (inputs, targets) in enumerate(progress_bar): inputs, targets inputs.to(device), targets.to(device) optimizer.zero_grad() outputs model(inputs) # 预测的掩码 loss criterion(outputs, targets) loss.backward() optimizer.step() epoch_loss loss.item() progress_bar.set_postfix({loss: loss.item()}) avg_loss epoch_loss / len(train_loader) print(fEpoch {epoch1} 完成平均损失: {avg_loss:.4f}) # 4. 保存模型 torch.save(model.state_dict(), ./checkpoints/simple_sculpt_unet.pth) print(模型已保存。)4.4 推理与可视化训练完成后我们可以用模型进行预测并可视化结果。# inference_and_visualize.py import torch import numpy as np import open3d as o3d from model import SimpleSculptUNet import matplotlib.pyplot as plt def voxel_to_mesh(voxel_grid, threshold0.5): 将体素网格转换为网格用于可视化使用Marching Cubes from skimage import measure # 确保是3D numpy数组 if torch.is_tensor(voxel_grid): voxel_grid voxel_grid.detach().cpu().squeeze().numpy() # 应用阈值 binary_voxel voxel_grid threshold if not np.any(binary_voxel): return None # 使用marching cubes提取网格 verts, faces, _, _ measure.marching_cubes(binary_voxel, level0.5) mesh o3d.geometry.TriangleMesh() mesh.vertices o3d.utility.Vector3dVector(verts) mesh.triangles o3d.utility.Vector3iVector(faces) mesh.compute_vertex_normals() return mesh # 加载模型 device torch.device(cuda if torch.cuda.is_available() else cpu) model SimpleSculptUNet(n_channels2, n_classes1).to(device) model.load_state_dict(torch.load(./checkpoints/simple_sculpt_unet.pth, map_locationdevice)) model.eval() # 加载一个测试样本 contexts np.load(./data/synthetic/contexts.npy) blanks np.load(./data/synthetic/blanks.npy) parts np.load(./data/synthetic/parts.npy) idx 0 # 查看第一个样本 test_blank blanks[idx] test_context contexts[idx] test_part_gt parts[idx] # ground truth # 准备模型输入 input_np np.stack([test_blank, test_context], axis0)[np.newaxis, ...] # (1, 2, 32, 32, 32) input_tensor torch.from_numpy(input_np.astype(np.float32)).to(device) # 推理 with torch.no_grad(): pred_mask model(input_tensor) # (1, 1, 32, 32, 32) pred_mask pred_mask.squeeze().cpu().numpy() # 将预测的掩码应用于毛坯得到预测部件 pred_part_voxel test_blank * (pred_mask 0.5) # 阈值化后与毛坯相乘 print(推理完成。开始可视化...) # 创建可视化 meshes [] colors [[1, 0.2, 0.2], [0.2, 0.6, 1], [0.2, 1, 0.2]] # 红蓝绿 # 1. 毛坯 (红色半透明) mesh_blank voxel_to_mesh(test_blank) if mesh_blank: mesh_blank.paint_uniform_color(colors[0]) mesh_blank.compute_vertex_normals() meshes.append(mesh_blank) # 2. 上下文墙体 (蓝色线框) mesh_context voxel_to_mesh(test_context) if mesh_context: mesh_context.paint_uniform_color(colors[1]) mesh_context.compute_vertex_normals() # 创建线框 wireframe o3d.geometry.LineSet.create_from_triangle_mesh(mesh_context) wireframe.paint_uniform_color(colors[1]) meshes.append(wireframe) # 3. 预测部件 (绿色) mesh_pred voxel_to_mesh(pred_part_voxel) if mesh_pred: mesh_pred.paint_uniform_color(colors[2]) mesh_pred.compute_vertex_normals() meshes.append(mesh_pred) # 4. 真实部件 (可选用黄色表示) mesh_gt voxel_to_mesh(test_part_gt) if mesh_gt: mesh_gt.paint_uniform_color([1, 1, 0]) # 黄色 mesh_gt.compute_vertex_normals() # 可以添加但为了清晰这里先注释掉 # meshes.append(mesh_gt) # 可视化 if meshes: o3d.visualization.draw_geometries(meshes, window_nameSCULPT 减法生成演示, width800, height600) else: print(没有生成有效的网格用于可视化。)运行此脚本你将看到一个3D窗口其中红色半透明方块是“毛坯”蓝色线框是“L形墙体”上下文绿色实体则是模型预测出的“墙角”部件。理想情况下绿色部件应该是从红色方块中“减”出来的、与蓝色墙体契合的那一部分。5. 常见问题与排查思路在实际实现和应用SCULPT思想时你可能会遇到以下典型问题。问题现象可能原因排查思路与解决方案训练损失不下降或波动大1. 学习率设置不当。2. 数据量太少或噪声太大。3. 网络结构过于简单或复杂无法捕捉3D关系。4. 损失函数设计不合理特别是兼容性损失权重过大或过小。1. 尝试使用学习率调度器如ReduceLROnPlateau从小学习率如1e-4开始尝试。2. 检查数据生成逻辑确保输入毛坯上下文和输出部件的对应关系是清晰、可学习的。可视化一些样本对。3. 调整网络容量通道数、层数。对于复杂形状考虑使用更先进的3D backbone如3D Residual Networks。4. 分别监控部件重建损失和兼容性损失调整它们的权重系数λ。可以先将λ设为零只训练重建再逐步加入兼容性损失。生成的部件支离破碎噪声多1. 预测的掩码概率值不连续、不平滑。2. 网络输出层直接使用sigmoid没有考虑空间连续性。3. 训练数据中的部件本身有噪声。1. 在损失函数中加入正则化项如对预测掩码的梯度进行惩罚Total Variation Loss鼓励平滑。2. 在网络最后使用条件随机场CRF或双边滤波进行后处理平滑掩码。3. 使用形态学操作开运算、闭运算对二值化后的体素进行后处理。部件与上下文发生干涉穿插兼容性损失特别是干涉损失未起作用或权重太小。1.显式计算干涉体积计算生成部件与上下文形状体素的重叠部分将其作为惩罚项加入损失。2.使用SDF表示SDF能天然地表达内外关系通过约束部件SDF在上下文表面处的值为负内部来避免干涉。3.后处理在生成后执行一个布尔差集运算从部件中减去与上下文重叠的部分。无法生成复杂或中空结构1. 体素分辨率太低如32^3丢失细节。2. 简单的U-Net结构难以学习生成复杂拓扑。1.提高分辨率使用64^3或128^3的体素但这会显著增加内存和计算量。考虑使用稀疏体素或八叉树表示。2.更换表示方法转向点云生成或隐式表示如SDF。可以学习一个在3D空间连续的函数能更好地表达复杂表面和拓扑。推理速度慢高分辨率体素上的3D卷积计算量大。1.模型轻量化使用深度可分离卷积、模型剪枝、量化。2.使用多尺度策略在低分辨率下生成粗糙形状再在高分辨率下细化。3.考虑替代架构对于隐式表示SDF可以使用基于坐标的MLP其推理速度与分辨率无关。6. 进阶优化与工程实践建议要将SCULPT从原型推进到实际项目需要考虑以下工程和实践细节。6.1 数据管道与增强高质量数据集合成数据只能用于验证概念。真实项目需要使用PartNet、ShapeNetPart、ABC Dataset等包含部件标注的数据集。需要编写稳健的数据加载器处理不同格式obj, ply, stl和不同拓扑的网格。数据增强对3D数据应用随机的旋转、缩放、平移、弹性变形可以极大地提升模型的泛化能力。注意增强操作要同时应用于上下文、毛坯和部件标签保持它们之间的空间关系。归一化将所有的形状归一化到统一的边界框如[-1, 1]^3内有助于训练稳定。6.2 网络架构升级注意力机制在U-Net的跳跃连接或瓶颈处引入3D注意力模块如Non-local Networks, Transformer让模型更好地关注上下文与毛坯中与部件生成相关的关键区域。层次化生成采用“由粗到细”的策略。先用一个网络生成低分辨率的部件形状和掩码再用另一个网络上采样并添加细节。结合多种表示使用混合表示。例如用体素网络进行粗定位再用一个点云生成网络或隐式函数网络来细化表面细节兼顾效率与质量。6.3 损失函数设计精炼多尺度损失不仅在最终输出上计算损失也在U-Net的中间层解码器输出上计算损失提供多层次的监督。对抗性损失Adversarial Loss引入一个判别器Discriminator来区分“生成的部件-上下文对”和“真实的部件-上下文对”。这能鼓励模型生成更逼真、更符合数据分布的部件。特征匹配损失要求生成部件在预训练3D网络如PointNet的特征空间中与真实部件接近。6.4 生产环境部署考量输入接口多样化支持多种输入形式。除了体素还应支持点云、网格甚至2D草图作为“毛坯”或“上下文”的输入通过编码网络统一为特征。交互式设计将模型集成到交互式设计软件如Blender插件、Unity/Unreal Engine插件中。允许用户实时调整上下文形状、拖动部件位置模型即时生成更新后的部件。与CAD/CAM流程集成生成的部件最终可能需要用于制造。确保输出格式如STEP, IGES能与专业CAD软件兼容或生成水密的、可3D打印的网格manifold mesh。性能优化对于实时应用需要将PyTorch模型转换为ONNX格式并利用TensorRT或OpenVINO进行推理加速。SCULPT的“减法组合”思想为3D内容生成特别是面向装配和编辑的生成打开了一扇新的大门。它强调了生成过程中的上下文意识和可控性这与许多实际应用场景的需求不谋而合。从简单的体素掩码预测开始到复杂的隐式函数建模其技术路径仍在快速演进。希望本文的讲解和代码示例能为你提供一个坚实的起点助你在3D生成与几何深度学习的探索之路上更有效地利用上下文信息雕刻出你想要的数字形状。