[论文翻译]Direct3D-S2：基于空间稀疏注意力 (Spatial Sparse Attention) 的十亿级3D生成简易方案

近年来，基于隐式潜在表征的大规模3D生成模型取得了显著进展。这些方法利用神经场进行形状表征，得益于紧凑的潜在编码和可扩展的生成能力。例如，3D Shape2VecSet [47] 开创性地使用变分自编码器 (VAE) [14] 将3D形状编码为潜在向量集，这些向量可解码为神经SDF或占用场，并通过Marching Cubes [24] 进行渲染。随后通过扩散过程对该潜在向量集建模以生成多样化的3D形状。CLAY [49] 采用扩散Transformer (DiT) [30] 扩展了这一流程，而TripoSG [18] 则通过修正流Transformer和混合监督进一步提升了保真度。然而，基于隐式潜在的方法通常依赖具有非对称3D表征的VAE，导致训练效率较低，通常需要数百个GPU。