摘要

近年来，面向3D的生成模型取得了显著进展，极大加速了游戏、影视与设计领域资产的创建。然而，现有大多数方法仍主要依赖图像或文本作为条件输入，缺乏细粒度的跨模态控制能力，限制了生成过程的可控性与实际应用价值。为弥补这一不足，我们提出 Hunyuan3D-Omni——一个基于 Hunyuan3D 2.1 构建的统一框架，支持细粒度、可控制的3D资产生成。除图像外，Hunyuan3D-Omni 还可接受点云、体素、边界框以及骨骼姿态等先验信息作为条件信号，从而实现对几何形状、拓扑结构与姿态的精准控制。与传统方法中为每种模态设置独立分支不同，我们的模型采用统一的跨模态架构，将所有条件信号融合于同一框架中。我们引入一种渐进式、难度感知的采样策略进行训练：每个样本仅选择一种控制模态，并倾向于优先采样更难的信号（如骨骼姿态），同时降低较易信号（如点云）的权重，从而促进鲁棒的多模态融合，并有效应对输入缺失的情况。实验结果表明，这些增强的控制机制显著提升了生成精度，支持基于几何感知的变换操作，并增强了生产工作流中的整体鲁棒性。