ブロック単位拡散による効率的なテキストから 3D 生成手法「Block3D」

テキストから3Dを生成する技術は急速に進化していますが、推論コストを抑えつつ高い幾何学的忠実度を達成することは依然として課題です。既存の手法では、離散的な形状トークンを自己回帰的にデコードするか、拡散モデルやフローマッチングモデルを用いてグローバルな3D表現を反復的に精緻化するアプローチが主流です。しかし、自己回帰的なデコードは逐次的に処理されるため一度発生した誤りを修正できず、一方、拡散やフローマッチングモデルは全表現を繰り返し処理するため、高品質な生成にかかるコストが膨らんでしまいます。

本研究では、Block3Dというブロック単位の拡散フレームワークを提案します。これは離散的な形状トークン系列を連続するブロックに分割し、ブロック単位で自己回帰的に生成しながら、現在のブロック内の全トークンを同時にノイズ除去する仕組みです。誤差の蓄積を防ぐため、「信頼度に基づくブロック内補正」を導入しました。これは各ブロックが確定する前に、信頼度の低いトークンを修正する機能です。

TRELLIS-500K から抽出した検証セットでの評価では、Block3D はエンドツーエンドの生成時間を従来の 25.71 秒から 4.99 秒に短縮しました。これは幾何学的忠実度を損なうことなく、微調整済みの自己回帰ベースラインと比較して約 5.15 倍の高速化を実現したことを意味します。