/ Модель

Характеристики

Лицензия
MIT
Опубликована
30 мая 2025

Direct3D-S2

Языковая модель3 профессии

Direct3D-S2 преобразует изображения в 3D-сетки с помощью диффузионной модели на разреженных объёмных данных.

82скачиваний за 30 дней80лайковвеса обновлены14 июн 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Direct3D-S2 — модель генерации 3D-объектов по изображениям, разработанная авторами проекта Direct3D-S2. Она предназначена для преобразования изображения в 3D-сетку и поддерживает сценарии интерактивной генерации через веб-демо.

В основе модели — Diffusion Transformer (DiT) с механизмом Spatial Sparse Attention (SSA), оптимизированным для разреженных объёмных данных, и вариационный автоэнкодер (VAE) с единым разреженным представлением на этапах входа, латентного пространства и выхода. В README заявлены ускорение вычислений и обучение на разрешении 1024³ с использованием восьми GPU.

Модель опубликована с лицензией MIT. README не приводит сведения о поддерживаемых языках или качестве результата на конкретных типах изображений.

Сценарии применения

  • создание 3D-сетки по изображению объекта
  • быстрое прототипирование 3D-ассетов по референсам
  • интерактивная генерация 3D-моделей в веб-демо

Ограничения

README не уточняет ограничения по типам входных изображений и качество результатов в разных сценариях; сведения о языковой поддержке неприменимы к заявленной задаче.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Direct3D‑S2: Gigascale 3D Generation Made Easy with Spatial Sparse Attention


✨ News

  • May 30, 2025: 🤯 We have released both v1.0 and v1.1. The new model offers even greater speed compared to FlashAttention-2, with 12.2× faster forward pass and 19.7× faster backward pass, resulting in nearly 2× inference speedup over v1.0.
  • May 30, 2025: 🔨 Release inference code and model.
  • May 26, 2025: 🎁 Release live demo on 🤗 Hugging Face.
  • May 26, 2025: 🚀 Release paper and project page.

📝 Abstract

Generating high-resolution 3D shapes using volumetric representations such as Signed Distance Functions (SDFs) presents substantial computational and memory challenges. We introduce Direct3D‑S2, a scalable 3D generation framework based on sparse volumes that achieves superior output quality with dramatically reduced training costs. Our key innovation is the Spatial Sparse Attention (SSA) mechanism, which greatly enhances the efficiency of Diffusion Transformer (DiT) computations on sparse volumetric data. SSA allows the model to effectively process large token sets within sparse volumes, substantially reducing computational overhead and achieving a 3.9× speedup in the forward pass and a 9.6× speedup in the backward pass. Our framework also includes a variational autoencoder (VAE) that maintains a consistent sparse volumetric format across input, latent, and output stages. Compared to previous methods with heterogeneous representations in 3D VAE, this unified design significantly improves training efficiency and stability. Our model is trained on public available datasets, and experiments demonstrate that Direct3D‑S2 not only surpasses state-of-the-art methods in generation quality and efficiency, but also enables training at 10243 resolution with just 8 GPUs, a task typically requiring at least 32 GPUs for volumetric representations at 2563 resolution, thus making gigascale 3D generation both practical and accessible.

🌟 Highlight

  • Gigascale 3D Generation: Direct3D-S2 enables training at 10243 resolution with only 8 GPUs.
  • Spatial Sparse Attention (SSA): A novel attention mechanism designed for sparse volumetric data, enabling efficient processing of large token sets.
  • Unified Sparse VAE: A variational autoencoder that maintains a consistent sparse volumetric format across input, latent, and output stages, improving training efficiency and stability.

🚀 Getting Started

Installation

git clone https://github.com/DreamTechAI/Direct3D-S2.git

cd Direct3D-S2

pip install -r requirements.txt

pip install -e .

Usage

from direct3d_s2.pipeline import Direct3DS2Pipeline
pipeline = Direct3DS2Pipeline.from_pretrained(
  'wushuang98/Direct3D-S2', 
  subfolder="direct3d-s2-v-1-1"
).to("cuda:0")

mesh = pipeline(
  'assets/test/13.png', 
  sdf_resolution=1024, # 512 or 1024
  remesh=False, # Switch to True if you need to reduce the number of triangles.
)["mesh"]

mesh.export('output.obj')

Web Demo

We provide a Gradio web demo for Direct3D-S2, which allows you to generate 3D meshes from images interactively.

python app.py

🤗 Acknowledgements

Thanks to the following repos for their great work, which helps us a lot in the development of Direct3D-S2:

📄 License

Direct3D-S2 is released under the MIT License. See LICENSE for details.

📖 Citation

If you find our work useful, please consider citing our paper:

@article{wu2025direct3ds2gigascale3dgeneration,
  title={Direct3D-S2: Gigascale 3D Generation Made Easy with Spatial Sparse Attention}, 
  author={Shuang Wu and Youtian Lin and Feihu Zhang and Yifei Zeng and Yikang Yang and Yajie Bao and Jiachen Qian and Siyu Zhu and Philip Torr and Xun Cao and Yao Yao},
  journal={arXiv preprint arXiv:2505.17412},
  year={2025}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

3D-генерация пока не поддерживается.

Ревизия весов
8b04a8e

0 моделей