3D字段中的“源神”开设了两个新项目：编辑3D元

以前，在3D领域发起了“ DeepSeek” God的起源！在八个开源的主要项目中，我们介绍了一家致力于开发通用3D模型的庞大的国内初创公司，将继续开放一系列一系列的一代。https://github.com/github.com/vast-ai-ai-earch/holoparpartdemo： https://huggingface.co/spaces/vast-i/huggingface.co/papers/2504.07943d内容面对内容的挑战是您曾经测试过的挑战的主要痛苦点，这是在线下下载的三维下载，或者很难解决，驱动或重新构成的材料（三个不同的材料）（三个不同）。技术可以识别属于各种组件的可见表面块，但通常会导致损坏和不完整的片段，从而极大地将其应用值限制在实际内容创建中。Amodal片段 - 它不仅在可见的表面块上掉落了三个动态的形状，而且在其后面分解了包含语义信息的完整零件，甚至分解了掉落部分的几何结构，即使部分也可以产生完整的部分。开发人员可以在HuggingFace中尝试一下。 “视图”完整的组件Holopart是一种新的扩散模型，共同开发了宽阔的基金，并不可就能的Ibersidad。受非模式感知的启发（Amodal的理解，即使对象的部分被阻止，人们也可以看到完整对象的能力），研究团队通过实用的两阶段方法来实现这一目标：初步段：首先，利用现有的高级方法（例如Samart3D）获得表面的初始块（即，部分不完整）。 Holopart完成：这是关键。零件的不完整块以及整个形状上下文的上下文都输入了Holopart小说模型。 Holopart是基于Powe的rful传播变压器体系结构，生成了服装的完整3D几何形状。 Holopart Holopart的工作原理不仅仅是“填补空白”。它基于先前的TripoSG 3D生成模型的构建的开发，并通过大量的大数据集（例如OBJAVERSE和熟练的微调）和广泛的数据来深入了解3D几何形状。对于完成该物质的特定任务，Triposg扩散的体系结构符合Holopart。主要变化取决于双重注意机制：局部注意力：专注于表面输入块的细节细节，以确保完成的组件无缝连接到可见的几何形状。上下文 - 注意力的意识：专注于一般形状和服装所在的位置。这一关键步骤确保了完整的物质在全球范围内都是合理的 - 相同的比例，语义和一般形状。 t他使Holopart能够明智地重建隐藏的几何细节，即使是复杂的零件或严重的关联，也尊重Israkt的整体。在该项目中，研究团队还在数据集中使用了Ash和Partobjaverse-来促进新的基准测试以评估新工作。实验表明，Holopart的性能要比现有的高级方法要好得多，该方法在处理完成此服装的具有挑战性的任务时完成了形状。在影响方面，在裸眼中可以看到差异：其他方法在处理复杂的结构时通常会失败或毫不奇怪，而Holopart继续产生高质量，高诚实的完整零件，完美地适合原始形状。通过开发完整的零件来解锁下游应用程序，Holopart打开了一个以前困难甚至不可能自动的功能强大的应用程序：直观编辑：轻松抓取，缩放，移动或更换CompleTE零件（例如图环，带有图形的汽车编辑）。方便的材料分配：清楚地提供纹理或材料以完成成分。动画资产：开发适合绑定和制作动画的零件。更智能的几何处理：通过处理相互关联的组件，可以实现更稳定的几何操作，例如网格重新分割（补充）。组件意识的一部分：这项工作为未来一代模型奠定了基础，可以在服装级别创建或操纵三维形状。几何超刻板分析：Holopart还显示出通过在具有大量令牌的部分中通过Beallah来增强零件细节的潜力。 Uni-Model将所有内容绑定在一起：Unirig Universal自动绑定框架纸张标题：钻机的型号：带有Unirig纸链接的各种骨架索具：https：//zjp-shadow.github.io/works/works/unirig/unirig/static/static/static/supp/supp/unirig.pdf/unirig.pdf/unirig.pdf code：OME项目：https：//zjp-shadow.github.io/works/unirig/huggingface主页：https：//huggingface.co/vast-ai/unirig核心过程：自动化性呼吸程序和创新的想法IDEF自动化自动性自动化模型，以推动语言进步和图像开发。但是Unirig预测不是像素或文本，而是关节上3D骨头的结构。这种序列化过程是确保有效种子形成拓扑结构的关键。 MITHIS的主要变化是骨架令牌化的令牌化过程。表达具有复杂接头的分层骨骼结构并不容易，作为采用 - 隔离对手 - 适用于变压器处理。 Unirig解决方案非常相关：关节坐标：地块接头的离散空间位置。分层结构：明确的亲子关系可确保形成有效的树结构。 9月9月：使用特殊令牌来识别骨骼类型（例如，标准模板种子例如Mixamo，用于发型/织物模拟的动态春季种子），这对于流动活动和六个生命至关重要。这是为了实现统一化方案，可将副词的长度降低约30％kum，从而使基于OPT体系结构的自回归模型有效地学习了本质的结构结构模式，并使用通过Encder Sharge处理的条件来处理的几何模型信息。不仅仅是骨骼：在预测有效骨骼后皮肤和特性的精度，Unirig使用骨点注意机制来预测每个顶点的皮肤。该模块有效地捕获了每个骨骼对其模型周围表面的复杂作用，融合了模型和骨骼的几何特征，并改善了地理的关键信息。另外，联合纤维还可以预测特定于骨骼的特性（例如GRA的刚度和影响弹簧骨骼的风格），这使得第二个与研究参数更加兼容的次数。研究小组通过不同的物理模拟对其进行审查，以增强最终结果的现实感觉。钻机 - XL解散：具有强大数据驱动功能的模型不能与高质量数据的支持分开。为了培训Unirig以寻求广泛的可用性，研究团队还安排并建立了Rig-XL-A新大规模，其中包含超过14,000个不同的3D模型。钻机-XL源自诸如Objaverse -XL和精心清洁的资源，涵盖了许多类别（Bipedals，四倍，鸟类，昆虫，静态物体等），提供了所需的尺寸和差异，以训练真正一般的结合模型。 Ginathe研究团队还在处理vroid数据集，以进一步优化模型的性能，以处理包含春季种子的精美动漫风格的角色。最好的表情Unirig行业的MANCE显着提高了绑定的当前自动技术水平：高精度：远远超过了许多主要指标的现有学术和商业方法，具有约束力的精度（联合预测）提高了215％，动画精度（动画下的网格变形）增加了194％的发音数据集。强烈的多功能性：在各种模型类别中表现出稳定的性能 - 精细的角色，动物，复杂的有机和非有机形态 - 以前方法经常遇到困难的地方。高稳定性：构成合理的拓扑骨骼和真正的皮肤重量，导致变形的影响比以前的学术方法和动画驱动器下的常用商业工具更好。高效率：该模型的优化令牌化和体系结构具有实用速度（1-5秒）。