VAST 3D 生成技术再攀高峰，六篇论文满贯入选 SIGGRAPH Asia 2025

近日，国际计算机图形学与交互技术顶会 ACM SIGGRAPH Asia 2025 公布了论文接收结果。业界领先的 3D 生成式 AI 公司 VAST 研究团队提交的六篇论文全部被接收，以 100% 的满贯命中率，再次印证了其在 3D 生成技术领域的领先地位。此次学术盛会将于今年 12 月在香港举行，届时 VAST 团队将现场分享其前沿研究，并与来自全球的计算机图形学专家深入探讨和交流。

SIGGRAPH Asia 由美国计算机学会（ACM）主办的全球计算机图形学与交互技术领域最具规模、权威和影响力的顶级学术会议之一，被誉为图形学领域的「奥斯卡」。作为该领域的年度盛事，SIGGRAPH Asia 汇聚了来自学术界和工业界的顶尖专家，共同展示和探讨该领域最前沿的科技突破与创新应用，对行业发展趋势具有重要影响力。

此次 VAST 入选的六篇论文中，《OmniPart: Part-Aware 3D Generation with Semantic Decoupling and Structural Cohesion》备受瞩目。该研究提出了一种全新的「部件感知」(Part-Aware) 3D 生成框架，旨在解决当前 3D 生成模型普遍存在的整体固化、难于编辑的痛点。

图 1：OmniPart 以可控部件组合方式生成复杂 3D 对象。该系统通过简单二维图像（带边框展示）和遮罩输入，首先采用自回归模型规划 3D 部件结构，随后同步生成所有高质量带纹理的部件（透明展示框内的独立组件）。这些部件可无缝融合为连贯的整体对象，提供显式部件控制功能，显著增强编辑、定制与动画制作场景下的可用程度。

当前多数 3D 生成模型产出的是静态的、单一整体的（monolithic）三维资产，缺乏对内部组件结构的理解，极大地限制了其在专业应用中的实用性。OmniPart 框架通过一个创新的两阶段协同流程，实现了对 3D 对象结构化、组件化的智能生成：

1. 可控的结构规划 (Controllable Structure Planning): 在第一阶段，OmniPart 引入一个基于 Transformer 的自回归模型 (autoregressive model)。该模型能根据用户提供的 2D 图像及灵活的部件遮罩 (part masks) 作为引导，精准地预测出物体各个功能部件的 3D 边界框 (bounding boxes) 序列。这一步骤完成了对物体高级空间布局的解构与规划。

2. 空间条件的部件合成 (Spatially-Conditioned Part Synthesis): 基于规划好的结构蓝图，第二阶段采用一个空间条件的矫正流模型 (spatially-conditioned rectified flow model)。该模型经过大规模预训练，能够高效地在指定边界框内，同步并行地合成所有部件的高质量几何与纹理。通过引入创新的体素丢弃机制 (voxel discarding mechanism)，OmniPart 确保了各部件边界清晰，避免了噪声干扰。

此架构的核心优势在于实现了「语义解耦 (semantic decoupling)」与「结构内聚 (structural cohesion)」的精妙平衡。这意味着，OmniPart 生成的每个部件（例如椅子腿、汽车车轮）在语义上是独立的、可被单独寻址和编辑的，同时在几何上又能与其它部件无缝融合，共同构成一个结构稳定、逻辑完整的整体。

这一流程不仅能在生成时保持高度的语义一致性，更能确保生成的每个部件与整体结构都高度融合，使最终产出的 3D 物体具备前所未有的可编辑性与可操作性，为精细化的合成编辑、材质分配和动画制作等下游应用提供了强大支持。

图 2：OmniPart 模型设计概览。该系统通过两个核心阶段生成部件感知、可控且高质量的 3D 内容：部件结构规划与结构化部件几何纹理生成。

相关链接：

《OmniPart: Part-Aware 3D Generation with Semantic Decoupling and Structural Cohesion》

论文链接：OmniPart 论文链接 https://arxiv.org/abs/2507.06165

开源链接：OmniPart 开源项目 https://huggingface.co/spaces/omnipart/OmniPart

VAST 算法团队在 AI 3D 生成技术上的持续创新为数字内容创作提供了全新的思路和方法, 未来将继续深入探索新的生成方法和应用场景，随着 3D 技术的进一步发展将在未来为更多行业带来突破性的创新成果。