注意： 此部门面向熟悉传统 3D 衬着技术（如 网格，UV映射，和 摄影测量）的读者。
网格是大部门 3D 世界的运行基石。诸如 NeRFs 的视图合成技术虽然效果非常惊艳，但现阶段却难以兼容网格。不外 NeRFs 转换为网格 标的目的的工作已经在进行中，这部门的工作与 摄影测量 有些类似，摄影测量是对现实世界特定对象采集多张图像并组合起来，进而制作网格化的 3D 模型素材。
NVlabs instant-ngp, 撑持 NeRF-网格 转换。
既然基于神经网络的 文本-NeRF-网格和摄影测量的采图-组合-网格两者的 3D 化流程有相似之处，同样他们也具有相似的局限性：生成的 3D 网格素材不能直接在游戏中使用，而需要大量的专业常识和额外工作才能使用。因此我认为，NeRF-网格可能是一个有用的东西，但现阶段并未显示出 文本-3D 的变化潜力。
还拿摄影测量类比，目前 NeRF-网格 最适合的场景同样是创建超高保真模型素材，但实际上这需要大量的人工后措置工作，因此这项技术用在 5 天创建一个农场游戏系列中没有太大意义。为保证游戏开发顺利进行，对于需要有差异性的多种农作物 3D 模型，我决定仅使用颜色分歧的立方体加以区分。
Stable Diffusion Demo Space
不外 AI 范围的变化非常迅速，可能很快就会呈现可行的解决方案。不才文中，我将讨论文本-3D 的一些成长标的目的。 文本-3D 的未来成长
改良 NeRF-网格和网格生成（将持续的几何空间细分为离散的网格拓扑单元）技术。如上文提到的，现阶段 NeRF 生成的 3D 模型需要大量额外的工作才能作为游戏素材使用，虽然这种方式在创建高保真模型素材时非常有效，但它是以大量时间开销为代价的。如果您跟我一样使用 low-poly（低多边形）美术风格来开发游戏，那么对于从零开始制作 3D 素材，您可能会偏好更低耗时的方案。
发表于 2023-5-8 10:30:21
变色卡