对角线单元格表示输入视图与验证视图匹配的情况。这些对角线条目通常显示每行的最佳结果，表明模型最准确地复制了输入视图。此外，随着输入视图数量从4增加到16，结果持续改善。这表明重建模型从额外的输入信息中受益，同时也证明了Edify3D的重建模型的可扩展性。

受模型随视点数量扩展的启发，研究者进一步研究训练视点数量是否影响重建质量。他们使用固定的8视图设置评估模型，其中模型使用4、6、8和10个视图进行训练。

结果如下图（a）所示。尽管随机采样相机姿态在训练过程中提供了多样化的视图，但随着同一训练步骤中训练视图数量的增加，重建质量仍在持续提高。图(b)为标记数量的比较，它表明了在参数数量固定的情况下，模型需要更多的计算资源来处理更多的标记。

数据处理

Edify3D在非公开的大规模图像、预渲染的多视图图像和3D形状数据集的组合上进行训练。原始3D数据经过几个预处理步骤，以达到模型训练所需的品质和格式。

数据处理流程的第一步是将所有三维图形转换为统一格式。首先对网格进行三角化处理，打包所有纹理文件，丢弃纹理或材质已损坏的图形，并将材质转换为金属粗糙度格式。通过这一过程，用户将得到一组三维图形，可以按照其意图进行渲染。

对于数据来讲，必要的一环是进行数据质量筛查。研究者从大型三维数据集中过滤掉非以物体为中心的数据，且从多个视角渲染形状，并使用分类器去除部分三维扫描、大型场景、形状拼贴以及包含辅助结构（如背景和地平面）的形状。为确保质量，这一过程通过多轮主动学习进行，由人类专家不断制作具有挑战性的示例来完善分类器。此外，他们还采用基于规则的过滤方法，去除明显存在问题的形状，如过于单薄或缺乏纹理的形状。

为了将3D数据渲染成图像以用于扩散和重建模型，研究团队需要使用自研的光照追踪器进行逼真渲染。他们采用多种采样技术来处理相机参数。一半的图像以固定的仰角和一致的内参进行渲染，而剩余的图像则使用随机的相机姿态和内参进行渲染。这种方法既适用于文本到3D 用例，也适用于图像到3D 用例。

而对于3D实体的动作模拟来讲，则需要将模型和真实的实体进行标准姿势对齐。姿势对齐是通过主动学习实现的。研究者通过手动策划少量示例，来训练姿势预测器，并在完整数据集中不断利用困难示例来完成循环训练。

为了给3D形状添加字幕，团队为每个形状渲染一张图像，并使用视觉语言模型（VLM）为图像生成长句和短句字幕。为了提高字幕的全面性，他们还向VLM提供形状的元数据(例如标题、描述、分类树)。

结果

团队通过输入文本提示以及渲染，使得生成的3D模型包含详细的几何形状和清晰的纹理，具有良好分解的反射颜色，使其适用于各种下游编辑和渲染应用。