3D生成技术如今在可用性上已达到令人惊艳的程度。
然而，数据质量参差不齐、评估标准缺失以及长尾类别覆盖不足这三大痛点，依然困扰着该领域的研究者。
针对这些问题，腾讯混元3D团队在最新技术报告《HY3D-Bench: Generation of 3D Assets》中，正式开源了一套革命性的3D内容生成生态系统。
该工作通过自动化数据清洗流水线，从Objaverse等大规模原始库中筛选并处理了25.2万个高质量3D资产，提供包括水密网格、多视角渲染图像在内的“即用型”数据集，同时还包含24万个3D部件分解结果，显著降低了3D生成模型的训练门槛。
此外，为补充学术数据集多样性不足的问题，团队创新性地引入了AIGC驱动合成管道：利用大语言模型生成语义描述、扩散模型生成图像，再通过HY3D-3.0引擎转化为高保真3D资产。该管道均匀覆盖了1252个类别，有效平衡了常见类别与长尾类别之间的数据分布差异。
实验显示，基于该基准训练的轻量级模型（Hunyuan3D-2.1-Small）在生成质量和推理速度上均优于传统方法。该数据集为机器人仿真、虚拟现实等下游应用提供了坚实的数据基础。
数据集组成
高质量基准数据集的可用性始终是制约3D生成模型发展的核心因素。早期基准数据集如ShapeNet虽为3D生成研究奠定了基础，但存在类别覆盖失衡、几何结构简单、数据量不足等根本缺陷，严重限制了模型的泛化能力，长期阻碍着3D生成技术向实用化场景的推进。
尽管Objaverse等大规模数据集的出现打破了这一僵局——其包含数百万个涵盖关节物体、有机形状等复杂几何的模型，为新一代大尺度3D生成模型铺平了道路，但行业仍面临更深刻的挑战：
主流3D生成模型需要对原始3D数据进行大量预处理，以生成任务特定的表示（如渲染图像、水密网格、SDF场）。这一步骤不仅要求研究者掌握专业的数据处理技能，还带来了巨大的计算负担。尽管开源脚本能部分自动化流程，但处理百万级3D模型仍需消耗海量的GPU/CPU资源，使得预处理成为普惠化研究的“高墙”。
手工建模数据：3D模型数据清洗流水线
腾讯混元团队设计了一套手工建模数据处理流水线，通过自动化过滤与后处理流程，将原始3D资产转化为高质量、训练就绪的数据包。
该流水线首先对海量3D模型进行初步筛选，基于多边形数量阈值、UV映射质量等标准剔除低质资产，确保输入数据的基准质量。在后处理环节，团队通过水密化处理、多视角渲染（提供正交与透视投影图像）以及表面点采样（混合均匀采样与边缘重要性采样）三大步骤，直接输出包含水密网格、渲染图像和点云的标准数据。
这些数据已完全预处理，无需研究者额外操作即可投入3D生成模型（如VAE或Diffusion模型）训练，彻底解决了传统流程中计算资源消耗大、技术门槛高的痛点。
△ 全级别数据处理流水线
部件级分解：像乐高一样拆解3D物体
部件数据处理旨在将整体静态网格智能分解为语义一致的部件集合，为后续部件感知生成任务奠定基础。该流程基于拓扑连通性分析策略，首先通过连通分量分析对3D资产进行初始分割，自动识别网格中物理分离的组件。
例如，一辆车会被分解为车门、轮胎等独立模块，再通过面积阈值合并琐碎零件（如螺丝钉），最终确保每个资产包含2-50个合理部件。这相当于把3D生成从“整块雕刻”升级为“模块化拼装”，直接支持可控部件生成。
△ 部件级数据处理流水线
AIGC合成：用扩散模型“造物”
为解决长尾数据稀缺问题，并支持具身智能仿真等领域的仿真需求，团队打造了三步生成管线进行数据合成：
- 文本扩展：收集常见商品类别，利用大语言模型生成各个类别下的详细产品描述。
- 图像生成：借助文生图模型，输出干净背景的RGB图像。
- 3D生成：调用HY3D-3.0模型将图像转为带有材质的高精度3D资产。
△ 生成数据流水线
实验结果
团队基于已开源的HY3D-2.1，减小模型大小（参数量832M）并在当前开源手工建模数据集划分出的训练集上重新训练，在提供的测试集上进行测试，采用了渐进式训练策略（从512 token逐步提升至4096 token）。关键数据如下：
- 生成质量：相比优化方法（如SDS），推理速度提升5倍，且避免了“多脸怪”问题。
- 数据规模：手工建模数据25.2万样本，部件级数据24万样本，合成数据12.5万样本。
手工建模数据大类分布：
部件级数据部件数量分布：
合成数据大类分布：
HY3D-Bench通过构建包含25.2万高质量资产的标准化数据集、24万部件级结构化标注及12.5万AIGC合成样本，为3D生成研究提供了统一的数据基础。它以开源的方式降低了技术门槛，让研究者无需重复“造轮子”，可直接聚焦于模型创新与应用探索。
实验表明，基于该数据训练的轻量模型（Hunyuan3D-2.1-Small）能够有效支持3D生成任务，为相关领域提供了可复现的基准。未来，团队计划扩展更多样的3D资产与多任务适配能力，进一步探索数据驱动方法在3D生成中的潜力。
资源链接
* 数据集下载：https://huggingface.co/datasets/tencent/HY3D-Bench
* 代码地址：https://github.com/Tencent-Hunyuan/HY3D-Bench
* 权重下载：https://huggingface.co/tencent/HY3D-Bench
* 技术报告：https://arxiv.org/pdf/2602.03907
关注“鲸栖”小程序，掌握最新AI资讯
本文来自网络搜集，不代表鲸林向海立场，如有侵权，联系删除。转载请注明出处：https://www.itsolotime.com/archives/20497
