近日，我院樊红兴助理教授与北京航空航天大学等单位合作完成的论文《Learning 3D Editing without Paired Supervision via Generative Prior Distillation》被计算机图形学领域顶级学术会议SIGGRAPH Asia 2026录用，樊红兴老师为论文通讯作者之一。

大会官方图

SIGGRAPH Asia由ACM SIGGRAPH主办，是计算机图形学与交互技术领域具有重要国际影响力的学术会议，也是展示计算机图形学、交互技术及相关领域前沿研究成果的重要国际平台。会议内容涵盖计算机图形学、几何建模与处理、渲染、动画、虚拟现实、三维视觉、人工智能等多个方向。SIGGRAPH Asia 2026是第19届ACM SIGGRAPH亚洲计算机图形学与交互技术会议暨展览，将于2026年12月1日至4日在马来西亚吉隆坡会议中心（Kuala Lumpur Convention Centre，KLCC）举行。

论文《Learning 3D Editing without Paired Supervision via Generative Prior Distillation》聚焦于缺乏成对监督条件下的三维内容编辑问题。三维内容编辑旨在根据文本指令对三维对象的几何结构、外观及局部部件进行灵活修改，是三维内容生成与数字创作中的重要研究任务。现有方法往往依赖大量“编辑前—编辑后”成对三维数据进行训练，但这类数据需要同时满足编辑语义、空间对应关系和多视角一致性等要求，获取和构建成本较高，也限制了三维编辑模型在更丰富任务和更广泛场景中的进一步应用。针对这一问题，该研究提出了一种基于生成先验蒸馏的三维编辑方法，在无需成对三维监督的情况下，将预训练生成模型中蕴含的视觉语义、外观变化和三维结构先验迁移到三维编辑模型中。该方法通过生成先验为模型提供编辑方向和监督信号，使编辑结果能够响应文本指令，同时减少对原始对象无关区域的破坏，并保持不同视角下的结构一致性。由此，模型能够在缺少真实成对编辑样本的条件下学习有效的三维编辑能力。实验结果表明，该方法在编辑语义一致性、原始内容保持和多视角一致性等方面取得了良好效果，为缓解三维编辑领域高质量监督数据不足的问题提供了新的技术路径。相关研究进一步拓展了我院在生成式人工智能、三维视觉与数字内容生成方向的研究布局。

撰稿：樊红兴

审核：徐薇、张学勇