它们的数据量仍然远不够来训练D大模型

mamun4574

目前常用的D数据集如ShapeNet（约 D网格）或Objaverse（约 D模型）包含的模型数量和细节质量都有待提升。尤其是比起D领域的大数据集（例如，LAIONB）。 苏昊教授曾师从几何计算的先驱、美国三院院士Leonidas Guibas教授，并曾作为早期贡献者参与了李飞飞教授领导的ImageNet项目。受到他们的启发，苏昊教授强调广泛的D数据集在推进技术方面的关键作用，为D深度学习领域的出现和繁荣做出了奠基性工作。

此外，D模型远比D图像的复杂很多，例如 部件结构：游戏或 马其顿 WhatsApp 号码列表 数字孪生应用需要D对象的结构化部件（例如，PartNet），而不是单一的D网格； 关节和绑定：与D对象互动的关键属性； 纹理和材料：例如反光率、表面摩擦系数、密度分布、杨氏模量等支持交互的关键性质； 操作和操控：让设计师能够对D模型进行更有效地交互和操纵。 而以上几点，就是人类专业知识能够继续发挥重要作用的地方。



苏昊教授认为，在未来，AI驱动的D数据生成应具有以下特性： 支持生成支撑交互性应用的D模型，这种交互既包括物体与物体的物理交互（如碰撞），也包括人与物体的交互（物理与非物理的交互方式），使得D数据在游戏、元宇宙、物理仿真等场景下能够被广泛应用； 支持AI辅助的D内容生成，使得建模的生产效率更高； 支持Humanintheloop的创作过程，利用人类艺术天赋提升生成数据的质量，从而进一步提升建模性能，形成闭环的数据飞轮效应。