近年來，3D 原生生成模型在游戲、影視和設(shè)計(jì)領(lǐng)域的資產(chǎn)創(chuàng)建中展現(xiàn)出強(qiáng)大潛力。然而，大多數(shù)現(xiàn)有方法仍主要依賴圖像作為條件輸入，缺乏細(xì)粒度、多模態(tài)的控制能力，限制了其在實(shí)際生產(chǎn)流程中的應(yīng)用。

為解決這一瓶頸，騰訊混元團(tuán)隊(duì)推出了混元 3D-Omni，一個(gè)基于 Hunyuan3D 2.1 構(gòu)建的統(tǒng)一多模態(tài)可控 3D 生成框架。該框架不僅支持圖像作為輸入，還可接受點(diǎn)云、體素、邊界框與骨骼姿態(tài)等多種控制信號(hào)，實(shí)現(xiàn)對生成物體幾何結(jié)構(gòu)、拓?fù)渑c姿態(tài)的精細(xì)控制。

• 技術(shù)報(bào)告：Hunyuan3D-Omni: A Unified Framework for Controllable Generation of 3D Assets
• 研發(fā)團(tuán)隊(duì)：Tencent Hunyuan3D Team, 2025.
• 混元 3D 主頁：https://3d.hunyuan.tencent.com
• 代碼下載：https://github.com/Tencent-Hunyuan/Hunyuan3D-Omni
• 權(quán)重下載：https://huggingface.co/tencent/Hunyuan3D-Omni
• 報(bào)告鏈接：https://arxiv.org/pdf/2509.21245

一、背景與挑戰(zhàn)

隨著 3D 數(shù)據(jù)規(guī)模不斷擴(kuò)大，基于原生 3D 表示（如點(diǎn)云、體素）的生成模型逐漸成為主流。這類方法通常結(jié)合 3D 變分自編碼器（VAE）與潛在擴(kuò)散模型（LDM），能夠高效生成高質(zhì)量 3D 模型。例如，Hunyuan3D 2.1 借助 VecSet 表示和 Diffusion Transformer（DiT），實(shí)現(xiàn)了從單圖像到 3D 模型的快速生成。

然而，僅依賴圖像輸入存在諸多局限：

• 單視角圖像易受圖像遮擋、光照或視角干擾，生成結(jié)果缺乏幾何準(zhǔn)確性；
• 難以精細(xì)控制生成對象的比例、姿態(tài)和結(jié)構(gòu)細(xì)節(jié)；
• 無法適應(yīng)多模態(tài)輸入（如深度圖、LiDAR 點(diǎn)云、骨架動(dòng)作等），限制了在實(shí)際場景中的使用。

二、Hunyuan3D Omni 的核心創(chuàng)新

圖 1：混元 3D-Omni 可支持多種模態(tài)作為控制條件，實(shí)現(xiàn)精細(xì)化 3D 資產(chǎn)生成

混元 3D-Omni 是一個(gè)支持多種控制條件的 3D 資產(chǎn)創(chuàng)建系統(tǒng)。它通過兩個(gè)關(guān)鍵性的創(chuàng)新來推動(dòng)尖端 3D 生成技術(shù)的發(fā)展： 其一，采用輕量化的統(tǒng)一控制編碼器，實(shí)現(xiàn)多種控制條件的統(tǒng)一支持；其二，引入漸進(jìn)式難度感知訓(xùn)練策略，提升模型對多模態(tài)融合的魯棒性。

作為業(yè)界首個(gè)統(tǒng)一多種條件控制的 3D 生成模型，混元 3D-Omni 可融合多達(dá)四類控制條件，顯著提升生成結(jié)果的可控性及質(zhì)量。同時(shí)該系統(tǒng)將完整開放推理代碼以及權(quán)重，加速可控 3D 生成模型在學(xué)術(shù)領(lǐng)域研究以及工業(yè)落地部署。創(chuàng)新點(diǎn)總結(jié)如下：

1. 多模態(tài)控制信號(hào)統(tǒng)一處理

Hunyuan3D-Omni 引入了四種控制信號(hào)：

• 骨骼姿態(tài)（Skeleton）：用于角色動(dòng)作控制；
• 邊界框（Bounding Box）：調(diào)整生成對象在標(biāo)準(zhǔn)空間中的長寬高比例；
• 點(diǎn)云（Point Cloud）：提供幾何結(jié)構(gòu)先驗(yàn)，增強(qiáng)細(xì)節(jié)還原；
• 體素（Voxel）：稀疏幾何提示，改善比例與結(jié)構(gòu)一致性。

2. 輕量化統(tǒng)一控制編碼器

所有控制信號(hào)被統(tǒng)一表示為點(diǎn)云形式，并通過一個(gè)共享的控制編碼器提取特征。該編碼器對不同模態(tài)條件進(jìn)行區(qū)分，避免控制目標(biāo)之間的混淆。最終的控制特征與圖像 DINO 特征拼接，作為 DiT 的聯(lián)合輸入。

3. 漸進(jìn)式難度感知訓(xùn)練策略

在訓(xùn)練過程中，模型隨機(jī)選擇一種控制條件，并偏向采樣難度較高的信號(hào)（如骨骼姿態(tài)），同時(shí)降低簡單信號(hào)（如點(diǎn)云）的權(quán)重。這種策略提升了模型對多模態(tài)融合的魯棒性，也能優(yōu)雅處理輸入缺失的情況。

三、關(guān)鍵實(shí)現(xiàn)方法

圖 2：混元 3D-Omni 模型框架圖

混元 3D-Omni 的模型架構(gòu)建立在混元 3D 2.1的基礎(chǔ)之上，通過引入統(tǒng)一的多模態(tài)控制編碼機(jī)制，實(shí)現(xiàn)了對點(diǎn)云、體素、邊界框和骨骼等多種控制信號(hào)的高效融合與處理。其整體框架延續(xù)了基于 VecSet 表示的 3D VAE 與 3D 擴(kuò)散模型結(jié)合的主干結(jié)構(gòu)，但在條件控制機(jī)制上進(jìn)行了重要?jiǎng)?chuàng)新。

模型首先使用 3D VAE 將輸入點(diǎn)云 （含坐標(biāo)和法向信息）編碼為潛在表示。解碼器則從潛在表示重建符號(hào)距離函數(shù)（SDF）場，并通過等值面提取得到顯式網(wǎng)格輸出。在擴(kuò)散階段，模型采用基于流匹配的 3D Latent Diffusion Model（LDM）。

混元 3D-Omni 的核心創(chuàng)新在于設(shè)計(jì)了統(tǒng)一控制編碼器（Unified Control Encoder），用于處理四種不同類型的控制信號(hào)：

1. 骨骼條件控制采用 3D 骨骼起點(diǎn)坐標(biāo)表示姿態(tài)，通過隨機(jī)采樣不同動(dòng)作幀構(gòu)建訓(xùn)練對，實(shí)現(xiàn)對生成模型姿態(tài)的靈活控制；
2. 邊界框條件將長寬比例轉(zhuǎn)化為標(biāo)準(zhǔn)空間中的八個(gè)頂點(diǎn)坐標(biāo)，通過對渲染圖像或點(diǎn)云施加隨機(jī)擾動(dòng)，提升模型對比例控制的泛化能力；
3. 點(diǎn)云支持多種輸入來源（如深度相機(jī)、LiDAR 或重建模型），并引入隨機(jī)丟棄與噪聲擾動(dòng)以模擬真實(shí)場景；
4. 體素則通過將點(diǎn)云量化到 [0,16]^3 網(wǎng)格中，再映射至 [-1,1]^3 空間，形成稀疏幾何提示。

所有控制信號(hào)均被統(tǒng)一表示為點(diǎn)云形式。編碼器首先對輸入點(diǎn)云進(jìn)行位置編碼，然后通過線性層提取特征，并疊加可學(xué)習(xí)的模態(tài)標(biāo)識(shí)嵌入以區(qū)分不同控制類型，最終控制特征與圖像特征拼接形成聯(lián)合條件，輸入至 DiT 模塊參與去噪過程。

為提升模型對多模態(tài)信號(hào)的魯棒性，訓(xùn)練過程中采用難度感知采樣策略：1）每批次隨機(jī)選擇一種控制模態(tài)；2）對難度較高的信號(hào)（如骨骼姿態(tài)）賦予更高采樣概率，對簡單信號(hào)（如點(diǎn)云）進(jìn)行降權(quán)重處理；3）支持部分控制信號(hào)缺失的容錯(cuò)訓(xùn)練。

四、實(shí)驗(yàn)結(jié)果

圖 3：骨骼控制人物姿態(tài)

骨骼控制條件的核心目標(biāo)在于調(diào)整輸入圖像的姿態(tài)特征，該功能主要應(yīng)用于角色類物體的生成過程中。如圖 3 所示，在以骨骼條件作為額外輸入的前提下，我們的 Omni 模型能夠生成高質(zhì)量且與目標(biāo)姿態(tài)精確對應(yīng)的角色幾何形體，包括 A 姿態(tài)、單手抬起姿態(tài)以及雙手上舉姿態(tài)等多種姿態(tài)。我們采用了多種風(fēng)格的角色圖像作為條件輸入，其中包括從 3D 角色數(shù)據(jù)渲染得到的圖像，以及通過生成式模型合成的圖像。

值得注意的是，無論輸入風(fēng)格如何變化，我們的 Omni 模型均能持續(xù)生成具有精細(xì)幾何細(xì)節(jié)的人體網(wǎng)格，且生成結(jié)果與輸入骨架保持嚴(yán)格對齊，未出現(xiàn)任何畸變。

圖 4：邊界框控制不同比例

圖 5：邊界框控制解決單圖生成 “紙片” 問題

邊界框控制信號(hào)能夠自由調(diào)節(jié)生成物體的長寬比例。如圖 4 所示，在相同圖像條件下，不同尺寸的邊界框成功調(diào)控了生成模型的尺寸。需要特別指出的是，這種尺寸調(diào)控并非簡單的線性拉伸：當(dāng)沙發(fā)長度增加時(shí)，模型會(huì)自動(dòng)生成額外的支撐腿結(jié)構(gòu)；凱旋門模型在比例調(diào)整后同樣保持合理的建筑形態(tài)。這證明邊界框控制能觸發(fā)生成網(wǎng)絡(luò)的智能幾何重構(gòu)能力。

更為重要的是，如圖 5 的對比實(shí)驗(yàn)所示，當(dāng)僅用單視角圖像作為條件生成 “紙片物體” 這類失敗情況下，注入邊界框信號(hào)能夠提供線索，成功生成正確的 3D 資產(chǎn)。

圖 6：點(diǎn)云控制補(bǔ)充三維信息

針對點(diǎn)云控制，我們展示了兩種設(shè)置下的生成結(jié)果：僅使用圖像輸入，以及圖像結(jié)合點(diǎn)云控制輸入。對于后者，我們進(jìn)一步考慮了三種點(diǎn)云輸入類型：完整點(diǎn)云、深度圖像生成的表面點(diǎn)云以及掃描獲得的噪聲點(diǎn)云。

在前兩個(gè)案例中可以看到，提供完整點(diǎn)云作為控制信號(hào)能有效解決單視圖輸入固有的幾何歧義問題，并成功還原被遮擋的內(nèi)部結(jié)構(gòu)。在第三和第四個(gè)案例中，通過深度圖獲取的表面點(diǎn)云同樣減輕了單視圖歧義，確保生成幾何在尺度上與真實(shí)物體精確對齊。在第五個(gè)案例中，即使輸入來自掃描的噪聲表面點(diǎn)云，生成幾何與原始物體的對齊效果仍明顯優(yōu)于僅使用圖像的基線方法，有效解決了圖像編碼器容易忽略真實(shí)物體姿態(tài)的問題。

綜上所述，一旦提供點(diǎn)云輸入，我們的 Omni 模型能夠有效將生成幾何與真實(shí)幾何結(jié)構(gòu)對齊，即使是部分點(diǎn)云也能作為提升 3D 幾何生成質(zhì)量的重要線索，顯著緩解了單視圖歧義。

圖 7：體素控制物體結(jié)構(gòu)

與點(diǎn)云條件相似，體素條件通過提供稀疏幾何線索，有效解決單張圖像輸入固有的歧義性問題。如圖 7 所示，在第一個(gè)和第五個(gè)案例中，額外的體素控制條件確保生成物體在尺度上與真實(shí)幾何結(jié)構(gòu)精確對齊。案例 2、3、4 進(jìn)一步展示了體素條件在恢復(fù)精細(xì)幾何細(xì)節(jié)方面的顯著效果：成功重建盾牌的平整表面、精準(zhǔn)捕捉鳥類翅膀的形態(tài)特征，以及高度還原杯子的低多邊形風(fēng)格幾何結(jié)構(gòu)。

這些實(shí)例充分證明，引入體素條件后，模型能夠同時(shí)準(zhǔn)確重建物體的比例關(guān)系和細(xì)節(jié)特征，從而全面提升生成質(zhì)量。

五、總結(jié)

混元 3D-Omni 作為一個(gè)輕量級(jí)、多模態(tài)、可控的 3D 生成框架，在不破壞基礎(chǔ)模型能力的前提下，通過統(tǒng)一控制編碼器整合多種幾何與控制信號(hào)。

實(shí)驗(yàn)表明，該框架能夠顯著提升生成準(zhǔn)確性、支持幾何感知的變換，并增強(qiáng)生產(chǎn)流程的穩(wěn)定性與魯棒性。這項(xiàng)研究不僅推動(dòng)了 3D 生成模型的可控性與實(shí)用性，也為未來融合多模態(tài)信號(hào)的通用 3D 生成奠定了基礎(chǔ)。