hitcslj/Awesome-AIGC-3D · 上手攻略
- 仓库：hitcslj/Awesome-AIGC-3D
- 链接：https://github.com/hitcslj/Awesome-AIGC-3D
- 分类：学术资源 · AIGC 3D 论文列表
- 作者：Tom
- 更新：2026-08-26
是什么
这是一份由香港科技大学（HKUST）团队维护的 AIGC 3D 论文精选列表，当前版本（v2.0，2026-04）已升级为一份生产导向的 3D 生成综述，通过二维分类法系统整理了从数据基座到场景组装的完整 3D AIGC 论文图谱。
核心定位：不是代码仓库，而是一份持续更新的 living survey，帮你快速定位某个子领域（如"文本生成角色骨骼绑定"或"世界尺度场景生成"）有哪些论文、哪个数据集、哪些基准。
二维分类法
| General Objects | Characters & Avatars | Scenes & Environments | |
|---|---|---|---|
| Data Foundations | ShapeNet / ModelNet / Objaverse-XL | FAUST / RenderPeople / THuman2.0 | ScanNet / HM3D / ProcTHOR |
| Geometry | DreamFusion / Magic3D / LRM / TripoSR | SMPL / ARCH / GaussianAvatar | Gaussian3D / 3D-GS |
| Topology | AtlasNet / Michelangelo / CLAY | FluidCloth / Point-E | 3D-FRONT / Structured3D |
| Appearance | RichDreamer / ProlificDreamer | 3DQ / TextureFusion | Hypersim / Infinigen |
| Rigging | SDF-StyleGAN | SMPL-X / AG3D / MonoPropAvatar | — |
| Scene Assembly | — | — | ProcTHOR / Infinigen / 3D-GS |
核心内容板块
📚 数据集（Data Foundations）
覆盖三大类共 30+ 常用数据集：
物体数据集：ShapeNet（51K / 55类）、ModelNet（12K / 40类）、ABC（100万 CAD）、Objaverse-XL（1020万）、CO3D（150万帧 / 19K物体）
角色数据集：FAUST（真实人体扫描）、RenderPeople（4500+ 商业扫描）、AMASS（动作捕捉）、HumanML3D（14.6K 文本-动作对）、Motion-X（大规模动作数据集）
场景数据集：ScanNet（1513 室内 RGB-D）、HM3D（1000 建筑）、ProcTHOR（程序化生成无限室内场景）、Infinigen（程序化自然场景）
📦 物体生成（General Objects & Props）
重点里程碑论文：
| 论文 | 年份 | 会议 | 核心方法 |
|---|---|---|---|
| DreamFusion | 2022 | ICLR 2023 | SDS（Score Distillation Sampling）先驱 |
| Magic3D | 2023 | CVPR 2023 | 粗细粒度 SDS + 高分辨率细节 |
| ProlificDreamer | 2023 | NeurIPS 2023 | 变分 SDS 解决 over-smoothing |
| RichDreamer | 2024 | CVPR 2024 | 法向量-深度扩散先验稳定几何 |
| LRM | 2023 | ICLR 2024 | Transformer 大重建模型 |
| TripoSR | 2024 | arXiv | 前馈亚秒级重建（⚠️ 代码可用） |
| InstantMesh | 2024 | arXiv | 多视图→FlexiCubes 网格 + UV |
🧍 角色与化身（Characters & Avatars）
覆盖：SMPL / SMPL-X 基础、可穿戴衣物合成（FluidCloth）、全身合成（AG3D / MonoPropAvatar）、头部合成（ERCafa / Face-After-3D-MM）、骨骼绑定与蒙皮（SMPL两大类Rigging方法）。
🌍 场景与环境（Scenes & Environments）
覆盖：布局生成（3D-FRONT / Structured3D）、场景资产落地（ScenePOP）、世界尺度生成（WonderWorld / InfiniCity）、3D Gaussian Splatting 场景重建（3D-GS / GaussianPro）。
📏 评估与基准（Evaluation & Benchmarks）
收录：Shapenet 分类Benchmark、ModelNet 分类、PartNet 零件级评估、人体重建精度评估（SCAPE 误差）、FID / KID 视觉质量评估、User Study 主观评估协议。
🏭 工业落地（Industry & Companies）
收录：Luma AI（Dream Machine）、Meshy、Tripo3D、Point-e 商业化案例、Sony / Unity / Epic 的 3D AIGC 集成动态。
如何使用（无安装，纯阅读）
这不是一个可运行的代码仓库，而是纯 Markdown 格式的论文导航手册。
直接阅读 README
GitHub README 即为完整综述，按上述二维分类法浏览，找到感兴趣的子领域后点击链接跳转原论文。
引用配套综述 PDF
v2.0 有配套 arXiv 论文（arXiv:2604.23629）和配套网页（christinebobby.github.io/production-ready-3d-survey/），可下载阅读完整综述。
# 克隆到本地
git clone https://github.com/hitcslj/Awesome-AIGC-3D.git
cd Awesome-AIGC-3D
# 用 Markdown 阅读器打开
# 推荐：Typora / Obsidian / VS Code Markdown Preview
使用 citations/ 子目录
README 中每个论文词条旁有 📖 链接指向 citations/ 目录下的引用注释文件（citation TXT），可单独引用某篇论文的注释说明。
典型使用场景
- 论文调研：做 AIGC 3D 相关课题立项时，按 pipeline 阶段定位"当前 SOTA 做到哪一步了"，避免重复造轮子。
- 数据集选型：做物体/角色/场景生成实验时，根据数据集规模和任务类型从列表中选择最合适的基座数据。
- 追踪前沿动态：仓库持续更新（v1.0 2025-08 → v2.0 2026-04），Star 该仓库即可在 GitHub feed 中收到更新通知。
- 综述写作参考：二维分类法结构清晰，可直接作为综述"相关工作"章节的章节划分依据。
- 产品选型参考：工业落地章节收录了当前市面上可用的 3D AIGC 产品，辅助产品调研。
坑与注意
⚠️ 非代码仓库：这是一个论文列表，没有可运行代码。不要期望 clone 后能找到训练脚本或 demo。代码链接（如 TripoSR / Wonder3D / Michelangelo）指向各自独立的原论文仓库。
⚠️ 论文完整性依赖上游：列表的覆盖度取决于作者团队的维护更新，新增论文可能有遗漏，不适合作为系统性文献检索的唯一起点（建议配合 Semantic Scholar / Google Scholar 使用）。
⚠️ v2.0 分类法较新：大部分子分类（如 Rigging / Scene Assembly）的论文数量仍较少，部分节几乎是占位符，不代表该方向真的论文少，而是团队优先覆盖了核心方法。
⚠️ arXiv 链接版本漂移：arXiv 论文更新频繁，README 中的链接（如 arXiv:2406.13897 对应 CLAY）可能在作者上传修订版后失效，建议通过 Papers with Code 或 Semantic Scholar 查找最新版本。
⚠️ 工业信息时效性：Industry 章节列举的公司和产品状态（2026-04）可能已有变化，需二次核实。
与同类对比
| 维度 | Awesome-AIGC-3D | Awesome-3D-AIGC | 3D Scene Generation Survey | Google Research 3D |
|---|---|---|---|---|
| 组织方式 | Pipeline × Asset 双维度 | 算法分类 | 场景分类 | 分散 |
| 论文规模 | 300+ | 200+ | 100+ | N/A |
| 数据集覆盖 | ✅ 30+ | 部分 | 少 | 无 |
| 配套综述 | ✅ v2.0 PDF | ❌ 无 | ✅ | ❌ 无 |
| 更新频率 | 活跃（2026-04 v2） | 一般 | 一次性 | N/A |
| 工业跟踪 | ✅ 有 | ❌ 无 | 少 | 无 |
核心差异：这份列表的最大价值在于二维分类法——把论文按"资产类型 × Pipeline 阶段"双重维度组织，比纯算法分类更能回答"这个 pipeline 阶段目前有哪些方法可用"的问题。
一句话推荐结论
要做 AIGC 3D 相关研究，先把这份列表的二维分类法过一遍，能在 30 分钟内建立从数据基座到场景组装的完整领域地图——省去大量零散搜索时间。配合对应 arXiv 综述 PDF 阅读效率更高。
来源：GitHub README v2（2026-04 更新）· arXiv:2604.23629 综述配套网页（2026-08-26 fetch）