给灰隆隆的3D数学模型加“新眼部”，这事能有多单纯？
那时，只须要一句话就能搞掂。
看！
两个普通小台灯，给个“Brick Lamp”的叙述，一瞬间变“铁板灯”：
两匹棕色黑豹，加上“Astronaut Horse”，俨然就成了“鼎新马”：
操作单纯不说，每两个角度上的技术细节和着色也都呈现出出了。
这就是用两个专门针对给3D球体“换眼部”的数学模型Text2Mesh做出的，由普林斯顿大学和海法大学联合打造。
打开金沙新闻，查看更多高画质图片
是不是有点意思？
一句话给3D球体“换眼部”
Text2Mesh数学模型的输出只需两个3D Mesh（无论原初影像质量高低），另加一句文字说明。
具体内容转换操作过程如下表所示：
输出的原初分层数学模型mesh，四角形V∈Rn×3，表层F∈{1, . . . , n}m×3，它们在整座体能训练操作过程中固定不变。
然后再构造两个神经艺术风格（neural style）互联网，为mesh每个四角形聚合两个式样特性，后续好在整座表层上定义艺术风格。
具体内容来说，该互联网将分层表层p∈V上的点态射成相应的RGB颜色，并沿切线方向偏转，聚合两个艺术卡通化了的如上所述mesh。
接着从多个快照对那个mesh展开图形。
再使用CLIP内嵌的2D增强技术让结论更精巧。
在那个操作过程中，图形影像和文档提示之间的CLIP关联性罚球，会被作为更新神经互联网权重的信号。
整座Text2Mesh不须要预体能训练，也不须要专门针对的3D Mesh数据集，更无须展开UV参数化（将四角分层展开到三维正方形）。
具体内容效果如何？
Text2Mesh在单个GPU上体能训练的时间只需不到25两分钟，高效率的结论能在10两分钟之内出现。
它能聚合各种艺术风格，并且技术细节还原成非常到位：
再比如说下表所示面那个，不管是变兔子、妖怪、蜘蛛人、浩克，还是贾伯斯、卡罗尔、律师……鞋子的皱褶、饰品、肌肉、秀发……等技术细节都能生动呈现出。
研究人员还设计了两个使用者调查，将Text2Mesh与剖面方法VQGAN相比。
打分涉及三个问题：1、聚合的结论自然程度；2、文档与结论的匹配度；3、结论与原初影像的匹配度。
57名使用者打分后，得出的结论如下表所示：
Text2Mesh在每项上罚球都比VQGAN高。
此外，在更复杂、更特殊的文档叙述之下，Text2Mesh也能hold住。
比如说“由绳结编织的闪耀的蓝色鞋子莫韦赞”：
“带波纹金属的蓝钢luxo台灯”：
更厉害的是，Text2Mesh数学模型还能直接使用图片驱动。
比如说就给一张仙人掌的照片，也能直接把原初棕色的3D小猪变成“仙人掌艺术风格”：
One More Thing
Text2Mesh代码已开源，在Kaggle Notebook上也有人上传了demo。感兴趣的便朋友能一试：
最后，大家知道这是只啥么？
— 完 —