From Prompts to Printable Models: Support-Effective 3D Generation via Offset Direct Preference Optimization

📄 arXiv: 2511.16434 📥 PDF

作者: Chenming Wu, Xiaofan Li, Chengkai Dai

分类: cs.RO

发布日期: 2026-02-28

💡 一句话要点

提出SEG框架，通过Offset DPO优化3D模型，减少打印支撑结构。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 文本到3D 3D打印 支撑结构优化 直接偏好优化 可制造性设计

📋 核心要点

  1. 现有文本到3D模型侧重视觉效果，忽略物理可制造性，导致模型需要过多支撑结构。
  2. SEG框架将直接偏好优化与Offset DPO结合，在3D生成流程中直接优化模型，减少支撑材料。
  3. 实验表明，SEG在减少支撑体积和提高可打印性方面显著优于现有模型，并保持了高保真度。

📝 摘要（中文）

本文提出了一种名为SEG（Support-Effective Generation）的新框架，该框架将直接偏好优化（Direct Preference Optimization）与偏移（Offset DPO，ODPO）相结合，融入到3D生成流程中，从而直接优化模型以最大限度地减少支撑材料的使用。通过将支撑结构仿真纳入训练过程，SEG鼓励生成本身就需要较少支撑的几何体，从而减少材料浪费和生产时间。在Thingi10k-Val和GPT-3DP-Val两个基准数据集上的大量实验表明，SEG在减少支撑体积和提高可打印性方面显著优于TRELLIS、DPO和DRO等基线模型。定性结果进一步表明，SEG在最大限度地减少支撑结构需求的同时，保持了对输入提示的高保真度。我们的研究结果突出了SEG通过在生成过程中直接优化模型来改变3D打印的潜力，为更可持续和高效的数字制造实践铺平了道路。

🔬 方法详解

问题定义：现有文本到3D模型生成方法主要关注视觉逼真度，忽略了3D打印的可制造性，特别是对支撑结构的需求。生成的模型往往需要大量的支撑材料，导致材料浪费、打印时间增加以及后处理复杂性增加。因此，如何生成更易于打印、需要更少支撑结构的3D模型是一个重要的挑战。

核心思路：SEG的核心思路是通过直接优化生成模型，使其生成的3D模型本身就具有较少的支撑需求。这通过将支撑结构仿真集成到训练过程中来实现，从而使模型能够“感知”到支撑结构的影响，并生成更适合3D打印的几何形状。Offset DPO (ODPO) 的引入允许更精细地控制偏好优化过程，从而更好地平衡视觉质量和可打印性。

技术框架：SEG框架主要包含以下几个阶段：1) 使用文本提示生成3D模型；2) 对生成的模型进行支撑结构仿真，评估所需的支撑材料体积；3) 使用ODPO算法，根据支撑材料体积和视觉质量对模型进行优化。训练过程中，模型会学习生成那些既符合文本描述，又需要较少支撑结构的3D模型。

关键创新：SEG的关键创新在于将支撑结构仿真直接集成到3D模型生成的训练循环中。这使得模型能够显式地学习如何减少对支撑结构的需求，而不仅仅是依赖于后处理或启发式方法。此外，使用Offset DPO允许更灵活地控制优化过程，从而在视觉质量和可打印性之间取得更好的平衡。

关键设计：SEG使用DPO（Direct Preference Optimization）作为其优化的基础，并引入了Offset机制。DPO直接优化模型参数以匹配人类偏好，而无需显式地建模奖励函数。Offset DPO通过引入一个偏移量来调整偏好，从而可以更精细地控制优化过程。在损失函数方面，SEG同时考虑了视觉质量损失和支撑体积损失，并通过调整Offset参数来平衡两者。具体的网络结构取决于所使用的3D生成模型，但通常会包括一个编码器-解码器结构，用于将文本提示转换为3D模型。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，SEG在Thingi10k-Val和GPT-3DP-Val数据集上显著优于基线模型。例如，在Thingi10k-Val数据集上，SEG相对于TRELLIS、DPO和DRO，支撑体积分别降低了XX%、YY%和ZZ%（具体数值论文中给出）。此外，定性结果表明，SEG生成的模型在保持高视觉质量的同时，显著减少了对支撑结构的需求。

🎯 应用场景

SEG框架可应用于各种3D打印领域，包括产品设计、原型制造、定制医疗器械等。通过减少支撑材料的使用，SEG可以降低生产成本、缩短生产周期，并减少材料浪费，从而实现更可持续的3D打印。此外，SEG还可以帮助设计师更轻松地创建可打印的模型，无需过多考虑支撑结构的问题。

📄 摘要（原文）

Current text-to-3D models prioritize visual fidelity but often neglect physical fabricability, resulting in geometries requiring excessive support structures. This paper introduces SEG (\textit{\underline{S}upport-\underline{E}ffective \underline{G}eneration}), a novel framework that integrates Direct Preference Optimization with an Offset (ODPO) into the 3D generation pipeline to directly optimize models for minimal support material usage. By incorporating support structure simulation into the training process, SEG encourages the generation of geometries that inherently require fewer supports, thus reducing material waste and production time. We demonstrate SEG's effectiveness through extensive experiments on two benchmark datasets, Thingi10k-Val and GPT-3DP-Val, showing that SEG significantly outperforms baseline models such as TRELLIS, DPO, and DRO in terms of support volume reduction and printability. Qualitative results further reveal that SEG maintains high fidelity to input prompts while minimizing the need for support structures. Our findings highlight the potential of SEG to transform 3D printing by directly optimizing models during the generative process, paving the way for more sustainable and efficient digital fabrication practices.