About another similar paper

[M1racle-milk]

想请教一下你们怎么看待另一篇同样利用3D Gaussian Spaltting来进行3D生成，但是文中声称只需要2min的。 翻译版本：I would like to ask what you think of another paper that also uses 3D Gaussian Spaltting for 3D generation, but the paper claims that it only takes 2 minutes. Paper title: DREAMGAUSSIAN: GENERATIVE GAUSSIAN SPLATTING FOR EFFICIENT 3D CONTENT CREATION Paper address：https://arxiv.org/abs/2309.16653

[taoranyi]

你好，感谢你的关注。我们的不同点主要是生成条件的区别，DREAMGAUSSIAN主要用于图像作为条件生成3D（文本作为条件不是他们的重点），而我们的条件是文本。

[M1racle-milk]

@taoranyi 感谢您的回复。实际上，在他们的Text to 3D中如果只采取原始的Stable Diffusion2.1进行优化，效果其实并不好，可能仍然需要增加迭代次数，而如果将Stable Diffusion置换为MVDream，在600次迭代次数的情况下，效果则会有一些提升，但是也只是几何上面的，但是这确实可以起到加速收敛的作用。你们虽然在SDS中用的还是Stable Diffusion，但是在一开始的点云初始化用了ShapeE，同样也具有了3D先验，我比较好奇，初始化加入3D先验与在SDS中加入，二者的效果差异，或者两个地方都加入，可不可以加速收敛，结果更好，还是说这二者之间会产生冲突？

[taoranyi]

很有意思的提问，如果你说的”3D先验与在SDS中加入“是指采用mvdream的sds话，我觉得是不矛盾的。首先采用初始化，可以给模型一个很好的优化起点，加快收敛。其次具有更好视角感知的sd模型可以让sds过程中避免更多的多头问题，并且由于是多视角同时优化不仅仅是多头问题，拟合速度也会更高。但是不幸的事，我初步换成mvdream的效果并不好，你可以尝试看看！如果有不错的效果，欢迎PR。

[M1racle-milk]

谢谢回复，受教了，我也再去探索探索。