Dernière mise à jour 07-30-2026
Catégorie:
Reviews:
Join thousands of AI enthusiasts in the World of AI!
GET3D | Nvidia
GET3D génère des modèles 3D texturés que vous pouvez intégrer directement dans un moteur de rendu, entraîné uniquement à partir de collections d'images 2D. Les chercheurs de NVIDIA l'ont conçu pour produire des maillages explicites avec géométrie et texture, et non des champs de radiance neuronale nécessitant des moteurs de rendu personnalisés.
La plupart des modèles génératifs 3D à l'époque omettaient les textures, imposaient une topologie fixe ou nécessitaient des pipelines de rendu neuronal pour visualiser les résultats. GET3D utilise la méthode différentiable des tétraèdres marchants (DMTet) ainsi que des pertes adversariales sur des images RGB rasterisées et des silhouettes, ce qui donne en sortie un maillage texturé standard. Le compromis est un accès de niveau recherche : il s'agit d'un projet du laboratoire d'IA NVIDIA Toronto présenté à NeurIPS 2022, et non d'un SaaS hébergé avec un bouton de téléchargement.
Le modèle prend en charge les voitures, chaises, animaux, motos, personnages humains et bâtiments. Il supporte également la génération de formes guidée par texte via un affinage basé sur CLIP, similaire à StyleGAN-NADA, et peut dissocier la géométrie de la texture grâce à des codes latents séparés.
Produits des maillages 3D texturés explicites utilisables dans des moteurs de rendu standard
Entraîné à partir de collections d'images 2D utilisant des pertes adversariales sur RGB et silhouettes
Génère des voitures, chaises, animaux, motos, humains et bâtiments
Dissocie la géométrie et la texture via des codes latents séparés
Prend en charge la génération de formes guidée par texte via un ajustement fin basé sur CLIP
Publié à NeurIPS 2022 par NVIDIA, Université de Toronto et Vector Institute
Produits des maillages texturés standard compatibles avec les logiciels 3D courants
Entraîné à partir de collections d'images 2D sans nécessiter de vérité terrain 3D
Les codes géométrie et texture dissociés permettent d'échanger les matériaux sans régénérer la forme
Prend en charge la génération guidée par texte via un ajustement fin basé sur CLIP
Projet de recherche gratuit d'un article de premier plan à NeurIPS 2022
Projet de recherche uniquement, pas un produit commercial hébergé
Pas d'interface SaaS en libre-service ni d'API pour les utilisateurs occasionnels
L'utilisation commerciale nécessite une licence distincte de NVIDIA Research
L'article date de 2022 ; des modèles de génération 3D plus récents ont depuis émergé
Qu'est-ce que GET3D de NVIDIA ?
GET3D est un modèle génératif du laboratoire NVIDIA Toronto AI qui crée des maillages 3D texturés explicites à partir de collections d'images 2D. Il a été publié à NeurIPS 2022 et produit des ressources prêtes pour les moteurs de rendu 3D standards.
GET3D est-il gratuit ?
GET3D est un projet de recherche gratuit de NVIDIA. Il n'existe pas de tarification commerciale ni de produit SaaS hébergé. Les demandes de licence commerciale passent par NVIDIA Research Licensing.
Quelles catégories 3D GET3D peut-il générer ?
GET3D génère des maillages texturés dans plusieurs catégories, notamment voitures, chaises, animaux, motos, personnages humains et bâtiments. Les vidéos de démonstration sur la page du projet montrent des géométries détaillées comme les roues, fenêtres et textures de vêtements.
En quoi GET3D diffère-t-il des champs de radiance neuronaux ?
GET3D produit des fichiers de maillage texturés standards via l'extraction de surface DMTet plutôt que des représentations de champs de radiance neuronaux. Cela signifie que les ressources générées peuvent être importées dans des logiciels 3D courants sans moteur neural personnalisé.
GET3D peut-il générer des formes à partir de descriptions textuelles ?
Oui. GET3D prend en charge la génération de formes guidée par texte en affinant le générateur 3D avec une perte CLIP directionnelle sur des images 2D rendues, suivant l'approche StyleGAN-NADA décrite sur la page du projet.
Qui a développé GET3D ?
GET3D a été développé par des chercheurs de NVIDIA, de l'Université de Toronto et de l'Institut Vector. Les auteurs principaux incluent Jun Gao, Tianchang Shen et Sanja Fidler, parmi d'autres listés dans l'article NeurIPS 2022.