基于生成式框架进行3D空间的推理与生成

课题背景： 3D内容生成是游戏研发与虚拟世界构建中的核心需求，传统3D建模依赖大量人工成本。近年来，以NeRF、3D Gaussian Splatting（3DGS）、扩散模型为代表的生成式3D技术取得突破，使文本/图像驱动的3D生成成为可能。然而，当前方法在空间推理一致性、生成质量、可编辑性和生产效率方面仍有较大提升空间。本课题聚焦于将生成式AI框架引入3D空间推理与内容生成，推动游戏3D资产创作的智能化与规模化。 课题挑战：

1. 01

   多视角一致性：生成式方法在不同视角下保持几何与纹理一致性仍是核心难题，尤其在复杂遮挡与精细结构场景下； 2、3D表征选择与融合：NeRF、3DGS、Mesh等不同表征各有优劣，如何在生成质量、效率与可编辑性间取得最优权衡；

2. 03

   空间推理能力融入：如何使生成模型具备对3D场景中物体关系、空间布局和物理约束的理解与推理能力；

3. 04

   游戏场景适配：游戏3D资产风格多样（写实/卡通）、类目广泛（角色/场景/道具），如何进行领域适配与风格可控生成；

4. 05

   生成效率与实时性：高质量3D生成通常耗时较长，如何通过模型压缩与加速技术满足游戏研发的生产效率要求。 具体工作： 参与生成式3D模型的研究与训练、3D表征与扩散模型融合方案设计、游戏3D资产自动化生成Pipeline开发，以及3D生成质量评测体系建设。

1. 01

   包含但不限于计算机图形学、计算机视觉、人工智能、应用数学、信息工程等专业的博士和优秀硕士；

2. 02

   熟悉生成式3D技术（如NeRF、3DGS、扩散模型等）或计算机图形学（渲染、几何处理）基本原理，有相关项目/研究经验；

3. 03

   熟悉PyTorch等深度学习框架，掌握Python编程，具备3D数据处理和可视化能力（有Open3D、Blender等工具使用经验者优先）；

4. 04

   具备较强的数学基础（线性代数、微分几何等）及独立科研能力，能够快速跟进前沿技术进展；

5. 05

   加分项：在3DV、CVPR、NeurIPS、SIGGRAPH等顶会发表过相关论文；有三维内容生成或游戏美术资产自动化相关项目经验。 此课题同时招聘应届实习生和低年级实习生。