TextCraft: Zero-Shot Generation of High-Fidelity and Diverse Shapes from Text
论文原文： https://arxiv.org/abs/2211.01427

论文的研究动机

• DALL2已经在文本控制的图像生成上取得很好的效果，但是基于文本控制的3d点云生成的研究还不太成熟，于是本文作者想要研究这个方向内容；
• 但是这时候作者发现了新的问题：没有成熟的数据集；
• 因此作者想要利用clip的预训练模型来解决这个问题。

论文的具体思路

其实这个思路不困难，就是整理本身有的东西，本身有的东西包括：

• 3d点云数据和视图对
• 利用视图控制生成3d点云的网络

现在想要获得：

• 利用文字控制生成3d点云的网络

想到clip：

• 提供了一个提取出文字和图片的共用特征

所以只需要利用这个共用特征控制生成3d点云，就可以在训练的阶段用“视图和3d模型对”训练，在预测阶段用文字输入生成3d点云。

论文网络结构

总体网络图

第一部分训练，这部分主要是找出来两个东西：隐层表达、读入隐层表达输出3d模型的网络，这样在之后，只需要获得这个隐层表达就可以获得相对应的3d点云。

第二部分训练，主要是用“视图和3d点云对”训练由视图生成隐层特征，

第三部分，增强隐层特征，感觉这里就是丰富一下隐层特征，增加生成的多样性，生成网络类型的东西，一般在低维度生成大方向，高维度则是小细节，这里应该就是在大方向确定的情况下丰富小细节。

接下来是预测阶段，主要是把控制信息换成由文字产生的共有特征。