高保真3D生成通常依赖大规模模型与海量数据，计算成本极高。ROAD框架另辟蹊径：它冻结一个现成的3D基础模型，通过互惠目标对齐策略将其判别语义先验注入扩散Transformer，在仅用3万训练资产、8块A100训练3.5天的条件下，生成质量超越TRELLIS等更大规模模型，逼近商业模型Step1X-3D。核心创新在于识别并解决了生成模型与判别模型之间的语义-结构异构性问题——全局语义凝聚(HSC)和结构最优对齐(SOA)两个组件协同工作，让生成器真正“理解”3D形状的语义结构。该方法可迁移至CraftsMan和TRELLIS等不同框架，但生成质量受限于所选基础模型的语义能力。
现有3D风格化方法常面临风格与几何纠缠导致的伪影，或依赖缓慢的2D-to-3D流程。DreamStyle3D通过Decoupled Dual Cross-Attention (DDCA)将几何与风格特征解耦，并结合Style Disentanglement Augmentation训练策略，在保持结构一致性的同时实现高效风格迁移。实验显示其在CLIP和DINO指标上优于StyleTex等基线，且推理时间仅需约10秒。需注意其依赖预训练编码器的潜在偏差。
Axolotl3D提出了一种多模态、遮挡感知的3D生成框架，通过联合条件输入图像、可见性掩码、相机参数和部分点云，实现了单视图生成、稀疏多视图重建、遮挡补全及几何感知编辑的统一处理。在Toys4K和OmniObject3D数据集上，该方法在单视图无遮挡、多视图无遮挡、单视图有遮挡及多视图有遮挡场景下均取得最优F-score，显著优于ShapeR和Hunyuan3D-Omni。模型通过掩码偏置交叉注意力机制和合成数据增强策略，增强了对部分和异构观测的鲁棒性。但需注意，模型对相机视角变化鲁棒性有限，极度细薄结构可能无法完全连接，且仅生成形状不预测纹理。
本文介绍Hallo4D框架，旨在解决3D/4D生成中的Janus问题和时间抖动。通过引入LMMs进行幻觉检测与校正，结合共识驱动的重一致性优化和运动显著性采样，显著提升一致性。实验显示CLIP Score提升，但需注意LMM推理开销及单前景假设。
本文介绍EmbodiedGen V2，一个面向具身智能的仿真就绪3D世界引擎。针对现有3D生成模型缺乏物理属性和交互语义的问题，该系统通过代理式生成、Affordance自动标注和Vibe Coding编辑，实现从自然语言到可执行物理环境的自动化构建。实验显示，在生成环境中进行在线RL训练，仿真成功率从9.7%提升至79.8%，Sim-to-Real任务成功率从21.7%提升至75.0%。需注意，完全在线生成耗时较长，且部分资产需手动调整。
PixWorld直接在像素空间优化多视图渲染，把3D场景重建和生成放入统一DiT框架。本期解释Pixel-space Flow Matching与Geometry Perception Loss，核对重建、生成和WorldScore结果，并讨论NFE、分辨率和户外泛化限制。