摘要：\quad在3Dcontentcreation方面的最新进展大多利用通过SDS进行的基于优化3D生成。虽然已经显示出了有希望的结果，但这些方法的per-sampleoptimization往往比较缓慢，限制了它们的实际应用。在这篇文章中，我们提出了DreamGaussian，同时实现efficiency和quality。我们的keyinsight是设计一个生成的三维高斯溅模型，在UV空间中进行友好的网格提取和纹理细化。与NeRF使用的occupancypruning优化过程相反，我们证明了在三维生成任务中，3DGaussians的progressivedensification收敛速度明

文章目录摘要一、前言二、相关工作2.13D表示2.2Text-to-3D2.3Image-to-3D三、本文方法3.1生成式高斯splitting3.2高效的mesh提取3.3UV空间的纹理优化四.实验4.1实施细节4.2定性比较4.3定量比较4.4消融实验总结（特点、局限性）五、安装与使用、代码解析5.1环境配置5.2如何使用：单张图/文本-生成3D5.3代码解析01.rembg库，自动剪掉背景02.self.prepare_train()03.生成位姿信息04.gaussians光栅化器的渲染04.loss损失：扩展1.Marchingcubes算法项目主页：https://dreamga