3D 内容创建的最新进展主要利用通过分数蒸馏抽样 （SDS） 生成的基于优化的 3D 生成。尽管已经显示出有希望的结果，但这些方法通常存在每个样本优化缓慢的问题，限制了它们的实际应用。在本文中，我们提出了DreamGaussian，这是一种新颖的3D内容生成框架，可以同时实现效率和质量。我们的主要见解是设计一个生成式 3D 高斯溅射模型，该模型具有伴随的网格提取和紫外线空间中的纹理细化。与神经辐射场中使用的占用修剪相比，我们证明了3D高斯的渐进致密化对于3D生成任务的收敛速度明显更快。为了进一步提高纹理质量并促进下游应用，我们引入了一种有效的算法将3D高斯转换为纹理网格，并应用微调阶段来细化细节。大量实验证明了我们提出的方法具有卓越的效率和有竞争力的发电质量。值得注意的是，DreamGaussian 只需 2 分钟即可从单视图图像生成高质量的纹理网格，与现有方法相比实现了大约 10 倍的加速。
?page: https://dreamgaussian.github.io
?paper: https://arxiv.org/abs/2309.16653
?code: https://github.com/dreamgaussian/dreamgaussian
?colab: please try it ? https://github.com/camenduru/dreamgaussian-colab