精选理由
这篇论文介绍了一种让AI自动评判并优化3D生成质量的方法，不用人工打标签。它把VLM评委从打分变成训练的一部分，在特定类别（家具）上达到了和强基线持平的效果，但说明了简单微调还不够。
该论文提出了一种去偏见的、跨模型的VLM-as-3D-Judge协议，用于可靠地评估单图像到3D网格质量，弥补了传统几何和CLIP代理的不足。研究者将该评分器用于优化开源生成模型TRELLIS在特定资产类别（家具）上的表现，无需人工标注。他们使用训练评委（Qwen2.5-VL-7B）和评估评委（InternVL3-8B）分离以避免循环，并修复了图像过载、几何隐藏渲染和无参考评分等三种失败模式。实验表明，在轻度参数高效适应下，该方法与强基线持平（胜率0.50），但无法超过65%的胜率目标，且发现干净输入会饱和评委。
AI 翻译 · 中文
该论文提出了一种去偏见的、跨模型的VLM-as-3D-Judge协议，用于可靠地评估单图像到3D网格质量，弥补了传统几何和CLIP代理的不足。研究者将该评分器用于优化开源生成模型TRELLIS在特定资产类别（家具）上的表现，无需人工标注。他们使用训练评委（Qwen2.5-VL-7B）和评估评委（InternVL3-8B）分离以避免循环，并修复了图像过载、几何隐藏渲染和无参考评分等三种失败模式。实验表明，在轻度参数高效适应下，该方法与强基线持平（胜率0.50），但无法超过65%的胜率目标，且发现干净输入会饱和评委。
A companion study established a de-biased, cross-model VLM-as-3D-judge that reliably ranks single-image-to-3D mesh quality where cheap geometry and CLIP proxies fall short. This paper asks: can that judge's preferences s…