DSO：牛津大学公布的符合物理规律的3D模型优化框架项目

DSO是什么？

DSO（Direct Simulation Optimization）是牛津大学公布的一种用于提升图像到3D模型生成器（如TRELLIS）的方法，通过直接模拟优化来增强生成的3D对象在物理模拟和现实世界中的稳定性。它无需在测试时增加额外成本，能在短时间内生成可站立的3D对象。

DSO功能特征

提升3D模型稳定性：解决了传统生成器无法生成在重力下可站立的3D对象的问题，显著提高了生成3D对象在物理模拟和3D打印时的稳定性。

高效性：在测试时不会增加额外成本，生成稳定3D对象的速度以秒计。

兼容性：基于现有的图像到3D模型生成器（如TRELLIS）进行优化，能够与之无缝衔接，充分利用其原有的功能和优势。

提供预训练模型：提供了两种预训练模型检查点，分别通过直接偏好优化（DPO）和直接奖励优化（DRO）训练，方便用户快速上手使用。

DSO应用场景

3D打印：生成的3D模型更有可能在实际打印后能够稳定站立，减少了因模型不稳定导致的打印失败或需要额外支撑结构的情况，提高了3D打印的成功率和实用性。

虚拟现实与增强现实：在虚拟环境中创建更加真实、稳定的3D对象，提升用户体验，例如在虚拟场景中放置的物体能够按照物理规律稳定存在。

游戏开发：为游戏中的3D模型生成提供更符合物理规则的解决方案，使游戏中的物体在重力等物理因素作用下表现更加自然，增强游戏的真实感和沉浸感。

建筑设计与工业设计：帮助设计师快速生成符合物理稳定性的3D模型原型，进行初步的设计评估和验证，减少因稳定性问题导致的设计修改和迭代次数。

DSO使用教程

1. 安装依赖：

安装TRELLIS依赖，创建Python环境并安装指定版本的PyTorch及相关依赖库，运行脚本安装其他相关库，最后安装Kaolin库。

安装剩余依赖，通过pip install -r requirements.txt命令安装。

2. 下载预训练模型：通过git lfs install和git clone命令下载DPO和DRO训练的预训练模型。

3. 快速开始生成：使用example.py脚本，加载预训练模型和输入图像，通过TrellisImageTo3DPipeline进行预处理和生成操作，最后将生成的模型导出为GLB格式。

4. 评估：

下载评估数据集。

使用训练好的检查点生成3D模型。

计算稳定性和几何度量。

5. 训练：

生成合成训练数据，包括获取图像、生成3D模型以及添加模拟反馈并保存物理合理性分数。

启动训练作业，指定数据目录并运行finetune.py脚本。

Github地址：https://github.com/RuiningLi/dso