Instant3D: Instant Text-to-3D Generation
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV、cs.GR
Comments Project page: https://ming1993li.github.io/Instant3DProj
视觉与机器人
3D 视觉
三维重建、NeRF、Gaussian Splatting、点云和空间智能。
1. 3D生成 447 篇
Debiasing Scores and Prompts of 2D Diffusion for View-consistent Text-to-3D Generation
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV、cs.GR
Comments Accepted to NeurIPS 2023. Project Page: https://susunghong.github.io/Debiased-Score-Distillation-Sampling/
DreamBooth3D: Subject-Driven Text-to-3D Generation
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV、cs.GR
Comments Project page at https://dreambooth3d.github.io/ Video Summary at https://youtu.be/kKVDrbfvOoA
Hunyuan3D 1.0: A Unified Framework for Text-to-3D and Image-to-3D Generation
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
Comments Technical Report; 3D Generation
UMI3D: Robust 3D Generation on Unconstrained Multi-Image Inputs via Simultaneous Focus Cross-Attention Routing
UMI3D：通过同步聚焦交叉注意力路由在无约束多图像输入上进行稳健的3D生成
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 研究针对3D基础模型在无约束多图像输入上表现不佳的问题，提出UMI3D框架，通过同步聚焦交叉注意力路由，利用体素参考分数，无需训练即可提升单图像3D生成框架在多图像输入时的性能。
Comments Project Page: https://umi3d-project.github.io/
DiffGI: Differentiable Geometry Images for High-Fidelity Thin-Shell 3D Generation
DiffGI：用于高保真薄壳3D生成的可微几何图像
机构 * CLO Virtual Fashion Inc.（CLO虚拟时尚公司）
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 DiffGI针对现有3D生成模型问题，提出端到端3D到2D映射框架，用连续函数取代二进制图，引入可微算法，训练相关模型，在薄壳3D生成中实现高保真、高精度，减少计算资源需求。
Comments Accepted to ECCV 2026
DreamPartGen: Semantically Grounded Part-Level 3D Generation via Collaborative Latent Denoising
DreamPartGen: 通过协作潜在去噪实现语义引导的部件级3D生成
机构 * University of Illinois Urbana - Champaign（伊利诺伊大学厄巴纳-香槟分校）
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 DreamPartGen通过协作潜在去噪实现语义引导的部件级3D生成，引入双部件潜在和关系语义潜在，提升几何和语义一致性，实现高质量文本对齐的3D合成。
Interact3D: Compositional 3D Generation of Interactive Objects
Interact3D: 交互式物体的组合3D生成
机构 * Zhejiang University（浙江大学） ； Shanghai Innovation Institute（上海创新研究院） ； Westlake University（西湖大学） ； Adobe ； Fudan University（复旦大学）
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 提出Interact3D框架，通过统一3D引导场景、两阶段组合流水线（全局到局部几何对齐和基于SDF的优化）以及闭环智能体修正策略，从单张图像生成物理合理的交互式3D组合物体，解决遮挡和空间关系保持问题。
Comments Accepted to ECCV 2026
SK-Adapter: Skeleton-Based Structural Control for Native 3D Generation
SK-Adapter：基于骨架的结构控制用于原生3D生成
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 本文提出SK-Adapter框架，通过将3D骨架作为第一类控制信号，实现原生3D生成的精确结构控制，同时保留几何与纹理质量，优于现有基线方法。
Comments ECCV 2026
Inclusive Interactive Collisions for Multi-View Consistent Compositional 3D Generation
包容性交互碰撞：多视图一致组合式3D生成
机构 * School of Computer Science and Technology, China University of Petroleum (East China)（中国石油大学（华东）计算机科学与技术学院） ； Artificial Intelligence Research Institute, Shenzhen University of Advanced Technology（深圳理工大学人工智能研究院） ； College of Computer Science, Northwest University（西北大学计算机科学学院）
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 提出I2C-3D方法，通过包容性交互碰撞策略和多视图自适应分数蒸馏采样，实现多视图一致、物理合理的组合式3D场景生成。
Structural Energy Guidance for View-Consistent Text-to-3D Generation
基于结构能量的视图一致文本到3D生成
机构 * Australian National University（澳大利亚国立大学） ； CSIRO（澳大利亚国家科学委员会） ； The University of Hong Kong（香港大学）
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 本文针对基于扩散模型的文本到3D生成中视图不一致问题，提出无需训练的SEGS框架，通过在U-Net特征的PCA子空间中构建结构能量并注入去噪过程，提升多视图一致性，实验表明有效降低Janus率并提升视图一致性评分。
Comments arXiv admin note: substantial text overlap with arXiv:2508.16917
ISAP-3D: Identity-Slot Aligned Part-Aware 3D Generation
ISAP-3D: 身份槽对齐的部件感知3D生成
机构 * Peking University（北京大学） ； Tencent（腾讯） ； Huawei（华为） ； University of Science and Technology of China（中国科学技术大学）
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 针对部件感知3D生成中因身份-布局纠缠导致的结构歧义问题，提出身份槽对齐框架ISAP-3D，通过语义身份令牌锚定每个部件并进行一对一布局预测，实现稳定可控的部件级3D生成。
P3D-Bench: Benchmarking MLLMs for Parametric 3D Generation and Structural Reasoning
P3D-Bench：用于参数化3D生成与结构推理的多模态大语言模型基准
机构 * Nanjing University（南京大学） ； Envision
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 提出P3D-Bench基准，通过参数化3D程序评估多模态大语言模型在几何精度、语义对齐和装配一致性上的表现，涵盖文本到3D、图像到3D和装配3D三类任务。
Comments Project page: https://spatiaos.github.io/projects/P3D-Bench
RelaxFlow: Text-Driven Amodal 3D Generation
RelaxFlow: 文本驱动的非模态3D生成
机构 * National University of Singapore（新加坡国立大学） ； Zhejiang University（浙江大学） ； University of Science and Technology of China（中国科学技术大学）
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 针对遮挡下图像到3D生成的语义歧义问题，提出无训练的双分支框架RelaxFlow，通过多先验共识模块和松弛机制解耦控制粒度，实现文本提示引导下对未观察区域的补全，同时严格保留输入观测。
Comments Accepted as a spotlight presentation at ICML 2026. Code: https://github.com/viridityzhu/RelaxFlow
Probability-Flow Distillation: Exact Wasserstein Gradient Flow for High-Fidelity 3D Generation
概率流蒸馏：用于高保真3D生成的精确Wasserstein梯度流
机构 * Department of Physics（物理系） ； Indian Institute of Technology Madras（印度理工学院马德拉斯分校） ； Department of Electrical Engineering（电气工程系）
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 本文提出概率流蒸馏，通过精确Wasserstein梯度流解决SDI的模式崩溃问题，实现高保真3D生成。
Pose-Aware Diffusion for 3D Generation
姿态感知扩散用于3D生成
机构 * Gaoling School of AI, Renmin University of China（中国人民大学 Gallagher人工智能学院） ； VCIP, School of Computer Science, Nankai University（南开大学计算机学院 VCIP） ； THU-Bosch MLCenter, Tsinghua University（清华大学 THU-Bosch 机器学习中心） ； Inspur Group（Inspur集团）
专题命中 3D生成 ：3D generation(title)；point cloud(abstract)；分类 cs.CV
AI总结 本文提出Pose-Aware Diffusion，通过直接在观测空间生成3D几何，解决姿态对齐难题，实现高保真姿态一致的3D资产生成。
ProcFunc: Function-Oriented Abstractions for Procedural 3D Generation in Python
ProcFunc：面向Python的基于Blender的程序化3D生成函数抽象
机构 * Princeton University（普林斯顿大学）
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 ProcFunc通过提供易用的Python函数库，简化了程序化3D生成的创建、组合、分析和执行过程，支持大规模多样化训练数据生成，并减少VLMs在编辑和生成程序化代码时的错误。
Rethinking Image-to-3D Generation with Sparse Queries: Efficiency, Capacity, and Input-View Bias
重新思考基于稀疏查询的图像到3D生成：效率、容量和输入视角偏差
机构 * UC Berkeley（伯克利大学） ； University of Cambridge（剑桥大学） ； UT Austin（奥斯汀大学）
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 本文提出SparseGen框架，通过稀疏查询实现高效的图像到3D生成，降低输入视角偏差并提升效率。模型采用紧凑的稀疏学习3D锚点查询和解码器，减少内存和推理时间，保持多视角保真度。
Comments Code is available at https://github.com/Pixtella/SparseGen
ReConText3D: Replay-based Continual Text-to-3D Generation
ReConText3D: 基于重放的持续文本到3D生成
机构 * DFKI（德累斯顿自由大学） ； RPTU Kaiserslautern-Landau（科布伦茨-劳恩堡大学）
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 本文提出ReConText3D框架，解决文本到3D生成中的持续学习问题，通过文本嵌入k-Center选择构建紧凑多样回放记忆，实现增量学习新3D类别并保持旧类生成能力。
Comments Accepted at CVPR Findings 2026
MV-SAM3D: Adaptive Multi-View Fusion for Layout-Aware 3D Generation
MV-SAM3D：面向布局感知的多视图融合3D生成
机构 * Peking University（北京大学） ； JD Explore Academy（京东探索研究院）
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 MV-SAM3D通过多视图一致性与物理合理性提升3D生成质量，无需额外训练，实现更可信的布局生成。
Omni123: Exploring 3D Native Foundation Models with Limited 3D Data by Unifying Text to 2D and 3D Generation
Omni123：通过统一文本到2D和3D生成探索有限3D数据的3D原生基础模型
机构 * FNii-Shenzhen（FNii-深圳） ； SSE, CUHK(SZ)（香港中文大学（深圳）理工学院） ； Meshy AI
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 Omni123通过统一文本到2D和3D生成，利用文本-图像-3D的跨模态一致性作为隐式约束，提升3D生成的几何一致性与语义对齐。
ForgeDreamer: Industrial Text-to-3D Generation with Multi-Expert LoRA and Cross-View Hypergraph
ForgeDreamer: 工业文本到3D生成的多专家LoRA与跨视图超图
机构 * Shenzhen University（深圳大学） ； Guangzhou Maritime University（广州航海学院）
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 本文提出ForgeDreamer框架，通过多专家LoRA集合和跨视图超图增强方法，解决工业文本到3D生成中的领域适应与几何推理问题，提升语义泛化和几何精度。
Comments Accepted to CVPR 2026 Findings!
UniPart: Part-Level 3D Generation with Unified 3D Geom-Seg Latents
UniPart: 部级3D生成与统一3D几何-分割潜在表示
机构 * Nanjing University of Science and Technology（南京理工大学） ； ByteDance Games（字节跳动游戏） ； Zhejiang University（浙江大学） ； FNii-Shenzhen（深圳福田国家创新研究院） ； SSE, CUHKSZ（香港中文大学（深圳）理工学院） ； Guangdong Provincial Key Laboratory of Future Networks of Intelligence（广东省未来智能网络重点实验室）
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 本文提出UniPart，一种基于统一3D几何-分割潜在表示的两阶段扩散框架，实现图像引导的部级3D生成，提升分割可控性和几何质量。
Comments Project page: https://xfanhe.github.io/projects/unipart/
Know3D: Prompting 3D Generation with Knowledge from Vision-Language Models
Know3D: 通过视觉-语言模型的知识提示3D生成
机构 * Peking University（北京大学） ； Math Magic（数学魔术） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Guangdong Provincial Key Laboratory of Ultra High Definition Immersive Media Technology（广东省超高清沉浸媒体技术重点实验室） ； Dalian University of Technology（大连理工大学）
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 本文提出Know3D框架，利用多模态大语言模型的知识提升3D生成的可控性，通过潜在状态注入实现语言可控的后视图生成，改进3D生成的几何细节与一致性。
Comments page: https://xishuxishu.github.io/Know3D.github.io/
Text-Image Conditioned 3D Generation
文本-图像条件的3D生成
机构 * MoE Key Lab of Artificial Intelligence, AI Institute, School of Computer Science, Shanghai Jiao Tong University（人工智能大模型重点实验室、人工智能学院、计算机科学学院、上海交通大学） ； Huawei Inc.（华为公司） ； Huazhong University of Science and Technology（华中科技大学）
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 本文提出结合文本和图像条件的3D生成方法，通过跨模态互补性提升生成质量，引入TIGON模型实现高效融合。
Comments CVPR 2026. Project page: https://jumpat.github.io/tigon-page Code: https://github.com/Jumpat/tigon
DreamCS: Geometry-Aware Text-to-3D Generation with Unpaired 3D Reward Supervision
DreamCS: 基于几何感知的文本到3D生成与无配对3D奖励监督
机构 * Singapore Management University（新加坡管理学院） ； East China University of Science and Technology（东华大学） ； Southeast University（东南大学）
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 本文提出DreamCS框架，通过无配对3D-MeshPref数据训练奖励模型，提升文本到3D生成的几何准确性和人类偏好对齐能力。
Cog2Gen3D: Sculpturing 3D Semantic-Geometric Cognition for 3D Generation
Cog2Gen3D: 三维语义-几何认知雕刻用于三维生成
机构 * School of Artificial and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； School of Computing, Macquarie University（麦考瑞大学计算机学院）
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 Cog2Gen3D通过结合语义和绝对几何信息，提出了一种三维认知引导的扩散框架，以实现可控的三维生成。
Photo3D: Advancing Photorealistic 3D Generation through Structure-Aligned Detail Enhancement
Photo3D: 通过结构对齐的细节增强推进光实3D生成
机构 * Department of Computing, The Hong Kong Polytechnic University（计算系，香港理工大学）
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 Photo3D通过结构对齐的细节增强技术，提升3D生成的逼真度，适用于多种3D原生生成范式。
Preference Score Distillation: Leveraging 2D Rewards to Align Text-to-3D Generation with Human Preference
偏好分数蒸馏：利用2D奖励对齐文本到3D生成
机构 * Fudan University（复旦大学）
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.CV
AI总结 本文提出偏好分数蒸馏方法，利用2D奖励模型实现文本到3D生成的人类偏好对齐，无需3D训练数据，提升生成质量与扩展性。
From Prompts to Printable Models: Support-Effective 3D Generation via Offset Direct Preference Optimization
从提示到可打印模型：通过偏移直接偏好优化实现支持有效的3D生成
机构 * Axiswise Ltd.（Axiswise有限公司） ； Centre for Perceptual and Interactive Intelligence（感知与交互智能中心）
专题命中 3D生成 ：3D generation(title,abstract)；分类 cs.RO
AI总结 SEG通过偏移直接偏好优化实现支持有效的3D生成，显著减少支撑材料使用并提升打印可制造性。
Comments Accepted by IEEE Robotics and Automation Letters 2026, preprint version by authors
