近期，Google、NVIDIA和微软等公司推出了基于神经辐射场（NeRF）的3D生成方法，但这些方法与传统的3D渲染软件（如Unity、Unreal Engine和Maya等）存在兼容性问题，限制了其在实际应用中的广泛应用。

该研究团队提出的文本指导的渐进式3D生成框架（简称DreamFace），结合了视觉-语言模型、隐式扩散模型和基于物理的材质扩散技术，生成符合计算机图形制作标准的3D资产。

这一框架的创新之处在于其几何体生成、基于物理的材质扩散生成和动画能力生成三个模块。

这项工作已被顶级期刊Transactions on Graphics接收，并将在国际计算机图形学顶级会议SIGGRAPH 2023上展示。

提出了DreamFace这一新颖的生成方案，将最近的视觉-语言模型与可动画和物理材质的面部资产相结合，通过渐进式学习来分离几何、外观和动画能力。引入了双通道外观生成的设计，将一种新颖的材质扩散模型与预训练模型相结合，同时在潜在空间和图像空间进行两阶段优化。使用BlendShapes或生成的Personalized BlendShapes的面部资产具备动画能力，并进一步展示了DreamFace在自然人物设计方面的应用。几何体生成：该模块通过CLIP（Contrastive Language-Image Pre-Training）选择框架根据文本提示生成几何模型。

然后，通过联合训练方案协调这两个模型，一个用于直接去噪U纹理贴图，另一个用于监督渲染图像。此外，还采用了提示学习策略和非面部区域遮罩以确保生成的漫反射贴图的质量。

动画能力生成：DreamFace生成的模型具备动画能力。与传统基于BlendShapes的方法不同，该框架通过预测独特的变形为静息（Neutral）模型赋予动画效果，从而生成个性化的动画。

DreamFace框架在名人生成、描述生成角色等任务上取得了良好的效果，并在用户评估中获得了超过先前工作的成绩。

作为一种文本指导的渐进式3D生成框架，DreamFace结合了视觉-语言模型、隐式扩散模型和基于物理的材质扩散技术，实现了高精度、高效率和良好兼容性的3D生成。