企业官网建设流程全解析

做3D资产生成这些年，我一直觉得最磨人的不是建模本身，而是“怎么用更少的成本，把形状、纹理、细节一次做对”。传统流程里，模型师、贴图师、绑定师各管一段，一个高质量资产从零开始往往要按天算。所以当我看到“3D-Diffusion: Scalable 3D Asset Generation with Diffusion Models”这个方向时，第一反应是：扩散模型终于从2D图像杀到3D资产领域了，而且这次不是小打小闹，是奔着“可规模化”去的。这篇解析，就是想把这个方向背后的技术选型、设计逻辑和落地路径讲清楚，给正在做3D生成、NeRF或者AIGC应用的同学一份可以直接抄作业的参考。

这个方向适合谁看？一类是刚接触3D生成，想搞明白扩散模型怎么处理非欧几里得结构的同学；另一类是在做3D资产生成但苦于效果不稳定、训练成本太高，想知道这个方案为什么更稳的开发者。我会把3D表示的选型、扩散过程的设计、可扩展性的来源、以及我在复现和改造过程中的坑，一块儿拆开讲。

1. 从一张图片到整座数字工厂：3D资产生成的痛点和扩散模型的切入点

1.1 传统3D流程的瓶颈

先说行业现状。一个标准的3D资产生产管线，通常是：概念设计确定风格，建模师用多边形网格搭出大体结构，拆UV，烘焙法线贴图，再交给材质师做纹理，最后进引擎或渲染器验证效果。这串流程里，每一步都依赖人工决策，而且每一环节的错误都会被后续环节放大。比如基础模型的比例稍微出了问题，后续的UV、贴图、绑定都要返工，返工成本随着环节靠后指数上升。

如果说静态资产还能靠熟练工硬扛，那动态资产、大规模场景、多类别资产生成就是完全另一个量级的问题。一个游戏项目动辄几千个可交互物件，一个影视项目可能需要上百个角色和载具，如果用传统流程，光排期就能把人逼疯。我见过不少团队尝试用程序化生成来缓解压力，但程序化方案的缺陷也很明显：它能做“同类变异”，很难做“跨类创造”，更不用说在风格统一的前提下生成全新结构。

所以这个领域一直在等一个真正能“从数据分布里学出泛化能力”的生成方案。这也是扩散模型被3D研究者盯上的根本原因——它在图像领域的表现已经证明，只要数据量和模型容量够，它能学出非常复杂的条件分布。

1.2 为什么偏偏是扩散模型

有人可能会问：GAN不是也可以做生成吗？早期3D生成也确实有基于GAN的方案，比如把体素或点云作为生成对象。但GAN有两个绕不开的老毛病：训练不稳定，模式坍缩。对于图像这种规则网格数据，GAN已经够难调了，换到3D这种拓扑不固定的结构上，训练难度会再上一个台阶。生成质量高不高先不说，光是“判别器怎么定义真实感”就是个哲学问题。

扩散模型的思路完全不同。它不靠对抗，靠的是“先破坏、再修复”的概率学习。训练时，把真实3D资产逐渐加噪直到变成纯噪声；推理时，从一个随机噪声开始，一步一步去噪，最终恢复成一个合理的3D结构。这种方式避免了对抗训练的不稳定，而且每一步去噪都是回归任务，损失函数简单直接。更关键的是，扩散模型天然支持条件生成：只要在去噪过程中输入类别标签、文本描述或图片特征，就能控制生成方向，这一点对资产生成来说太重要了。

3D-Diffusion这个方向正是把这些优势迁移到了3D领域。它不需要像GAN那样和判别器斗智斗勇，也不需要像自回归模型那样按固定顺序一点点“猜”下一个token，而是把整个3D对象当作一个整体来去噪。这种“整体生成”的直觉，和人看到一团乱线时自动脑补出一个轮廓的过程很像。

1.3 标题里的“Scalable”到底在说什么

标题里的“Scalable”不是一个营销词汇，它同时指向三个层面的扩展能力。第一是类别规模：早期3D生成模型往往只能生成单一类别，比如只生成椅子或者只生成车，而可规模的方案要能用同一个模型覆盖几百个类别。第二是数据规模：3D数据不像图像那么好获取，公开的3D数据集在数量、标注质量、类别平衡上都远不如2D数据，可规模化的前提是能高效利用有限的数据。第三是模型和算力规模：如果把扩散模型的主干做大，训练数据增多，生成质量能不能持续稳定提升，而不是一到某个规模就崩掉。

这三点合在一起，才是“Scalable 3D Asset Generation”的真正含义。它不是某一种技巧的堆叠，而是一个系统工程：数据怎么组织、3D怎么表示、模型怎么训练、推理怎么控制，每一环都要为规模化设计。少了任何一环，规模上去之后都会出问题。比如数据量大了但表示不合理，训练成本会爆炸；表示合理但模型结构不适合并行，扩展性也受限。

所以后续所有技术细节，都应该围绕“怎么在保证生成质量的前提下，把模型、数据和算力都推到更大规模”这条主线来理解。

2. 选对“积木”：3D表示方法决定了扩散模型的成败

2.1 三种主流3D表示的横向对比

扩散模型需要一个明确的“生成目标”，也就是说，我们需要先决定让模型输出什么格式的3D数据。这个选择直接决定后续所有设计，可以说是整个方向的基石。目前主流的3D表示大概有三类：显式结构化表示、隐式神经场表示、以及显隐混合表示。

显式结构化表示包括体素、点云和多边形网格。体素就是3D像素，结构规则，方便做卷积，但分辨率一大内存就爆炸；点云存储效率高，但缺少拓扑信息，模型要额外处理点与点之间的连接关系；网格是工业界的标准格式，有面和顶点的关系，但生成网格的拓扑本身就是一个很复杂的离散问题，扩散模型处理离散结构并不顺手。

隐式神经场表示的代表是NeRF那一套，用神经网络把空间坐标映射成密度和颜色。它的优点是能表达精细的连续几何和纹理，内存占用固定，分辨率只取决于查询点的数量；缺点也很明显，一个资产对应一个训练好的MLP，很难直接“生成”一个可以继续编辑加工的网格。

显隐混合表示则是两者取长补短，最具代表性的就是三平面（tri-plane）。它将3D空间投影到三个正交的2D特征平面上，每个位置的特征由它在三个平面上的投影拼接而成，然后再接一个小规模解码器得到密度和颜色。2D特征平面可以存成普通图像张量，又规则又紧凑，这让扩散模型可以直接复用2D的U-Net骨干，不用为3D重新发明网络架构。

2.2 三平面表示为什么适合扩散

三平面之所以在很多3D扩散方案中被当作默认选择，核心原因就是“规则”。扩散模型的骨干网络基本都是基于卷积或者注意力机制设计的，这些结构对规则网格数据极其友好。体素虽然是规则三维网格，但计算量是立方级别的；三平面把三维相关性拆成三张二维图，计算量变成了平面级别，大大降低了训练和推理成本。

从信息完整性角度看，三平面并没有严重丢信息。空间里任意一点，可以通过它投影到XY、XZ、YZ三个平面上的位置，取出三组特征向量，再拼接成一个总特征。这个总特征既包含了点的局部位置信息，又通过三个方向的投影携带了空间的全局一致性。换句话说，三平面是用“三个方向看的视角”替代了“全空间的稠密存储”，是一种非常聪明的压缩。

而且三平面还有一个隐性优势：它和2D扩散模型之间的知识迁移特别顺滑。2D图像扩散模型已经在海量图文数据上预训练过了，如果3D扩散模型也采用类似的2D卷积骨干，就能用预训练权重做初始化，相当于把2D空间学到的先验搬到3D空间来。这个初始化带来的收益在训练早期特别明显，能让模型在数据量有限的前提下快速收敛到合理形状。

2.3 表示层面还需要解决的工程细节

选了三平面不等于万事大吉，还有很多工程细节会直接影响生成质量。首先是平面分辨率，每个特征平面的尺寸需要和生成精度匹配。分辨率太低，细节糊成一团；分辨率太高，扩散模型的通道数、显存占用都跟着涨。我在实际测试中，对于单物体生成任务，平面分辨率128到256之间是比较合理的起步区间，再高就需要考虑分块训练或者渐进式生成。

其次是解码器的设计。三平面本身只是特征存储，真正输出几何和颜色要靠一个小MLP解码器。这个解码器虽然轻量，但不能太浅，否则高频率细节会被直接“抹平”。我倾向于至少用4层带位置编码的MLP，并在输入特征之前拼接坐标的低频和高频编码，这样能显著提升几何细节的还原度。

还有一个容易被忽略的是空间范围的规范化。3D数据集的物体尺度差异很大，有的物体只有几十厘米，有的好几米。如果不做归一化，扩散模型会浪费大量生成能力在“尺度猜测”上。通常的做法是：把所有资产缩放到一个单位球或单位包围盒内，并在训练时把规范化的变换矩阵也存下来，推理完成后再根据条件信息恢复真实尺度。

3. 让噪声学会雕刻：3D扩散模型的核心机制拆解

3.1 前向过程：把3D资产“揉碎”

扩散模型的训练离不开前向扩散过程。对于三平面表示，前向过程就是对特征平面逐步加噪。具体来说，给定一张来自三平面表示的2D特征图，我们按一个预设的噪声调度器，在若干步内不断叠加高斯噪声，直到特征图完全被噪声淹没。

这个过程本身不复杂，复杂的是如何设计噪声调度。噪声步数太少，模型学不到从纯噪声恢复细节的能力；步数太多，训练成本成倍增加。现在一般用的是余弦调度或者它在3D任务上的变体，让噪声增加速度在中期平缓、在两端陡峭，这样模型在中期能看到更多“处于合理模糊状态”的样本，更容易学到有意义的去噪映射。

我在实践中还会关注一个细节：噪声加在哪个特征图上。三平面有三个正交平面，如果所有平面加同样强度的噪声，相当于假设三个方向的复杂度一致。但实际上，不同类别的物体在三个方向上的复杂度差异很大。比如一把椅子，XY平面的结构信息很多，XZ平面相对简单。给三个平面独立设置噪声强度，甚至让模型同时预测三组噪声残差，效果往往比统一加噪好。这个属于实现细节，论文里不会写，但影响非常直接。

3.2 逆向过程：从噪声长回形状

逆向过程是扩散模型真正干活的阶段。推理时，我们从三个随机高斯噪声平面出发，送入去噪网络，反复迭代若干步，预测每一步应该减掉的噪声，最终得到“干净”的三平面特征图。拿到干净的三平面之后，再用解码器稠密查询空间中的点，得到密度场和颜色场，最后用marching cubes之类的方法提取成网格资产。

去噪网络一般沿用2D扩散模型的主流结构，比如带时间步嵌入的U-Net或者DiT（Diffusion Transformer）。U-Net的优势是卷积的局部性强，对几何细节敏感；DiT的优势是全局建模能力好，容易扩展到更大的模型和数据量。两种我都试过，结论是：如果算力有限，先上U-Net，效果好、调参成本低；如果目标就是跨类别大规模生成，DiT的扩展性更值得押注。

这里有一个很多人没注意到的问题：三平面虽然被存成2D图，但它不是普通照片。一个特征平面的不同区域之间天然存在三维空间中的连续性——比如一个物体表面会在同一平面特征图上形成连续的纹理轨迹。因此，去噪网络不能只按普通图像处理，需要在特征提取的同时保留这种跨通道、跨平面的对应关系。最简单的做法是特征融合：在每个去噪block里，把三个平面两两组合做一次交叉注意力，让网络在去噪时能看到三视图之间的关系。这个设计不算复杂，但对生成形状的完整性提升很明显。

3.3 条件控制与生成自由度

扩散模型的另一个核心优势是条件的灵活注入。在3D资产生成场景里，我们最想要的控制方式通常是两种：类别标签控制和条件模态控制。类别标签控制最简单，直接把类别编码拼进时间步嵌入里就行；条件模态控制则更进一步，比如输入一张参考图、一段文字描述，甚至一个粗糙的线稿，让模型生成符合这个条件的3D资产。

做条件注入时，classifier-free guidance 几乎是必选方案。它的做法是：训练时随机丢弃一部分条件信息，让模型同时学会“有条件下生成”和“无条件生成”，推理时用两条路径的预测结果做外推，从而放大条件信号对生成结果的影响。这个技巧在2D图像生成里是扛把子，换到3D同样适用，而且效果提升非常直观——配合这个技巧，几何的类别属性和风格一致性都会有显著增强。

控制条件是强化生成可控性的关键，但它对训练数据的配对要求也更高。公开3D数据集里，有文本标注的子集比例并不高，能做到图文对和3D资产严格对齐的更少。一种妥协方案是先用无条件的3D扩散模型学几何分布，再在推理时引入一个跨模态对齐网络，把文本或图片特征映射为条件向量。这种两段式设计虽然不如端到端优雅，但解决数据缺失问题的效果立竿见影。

4. 从单类别到多类别：可扩展性的工程实现路径

4.1 数据如何组织：形状到什么程度算一个样本

可扩展性的起点是数据组织。3D资产和2D图像最大的不同在于，它没有一个统一的“分辨率”概念。一个网格有顶点数，一个神经场有隐层宽度，一个三平面有平面分辨率——这些指标彼此不互通。所以第一步要做的，是把异构数据统一成同一种样本格式。

在三平面方案里，统一流程大致是：对每个原始3D资产，先渲染多视角图像，再从多视角图反向拟合出对应的三平面特征，称为“编码”阶段。每个资产最终对应三张固定分辨率的特征图，这三张图就是扩散模型训练的完整样本。这一步相当于把各种格式的mesh、点云、神经场全部压缩成标准张量，之后无论数据来自哪个源，模型看到的都是同一空间的数据分布。

这个编码阶段的质量直接决定扩散模型的上限。如果拟合出来的三平面本身就有噪声或失真，后续扩散模型无论如何都学不出干净的分布。所以编码阶段不能贪快，一般需要足够的迭代步数，并在损失函数里加上深度监督和正则化，确保三平面在几何上忠实于原始资产。我见过不少团队在这里为了省时间降低迭代步数，结果扩散模型的生成质量莫名其妙地下降，排查半天才发现是训练数据本身就不干净。

4.2 模型骨架选UNet还是Transformer

到了模型规模这个层面，选择骨干网络就不再是“哪个更高效”这么简单了，而是要考虑扩展曲线。UNet加宽加深到一定程度之后，增加参数带来的收益会迅速衰减；DiT这类Transformer架构则比较平滑，参数量级从百万到十亿都能保持近似线性的收益。

但这不代表无脑上DiT就是对的。DiT需要用大量的数据才能发挥优势，3D数据的规模比图像小几个数量级，数据不足时Transformer更容易过拟合，生成结果会偏向训练集的平均形状，多样性反而下降。我的建议是分阶段走：在原型验证阶段用UNet，快速验证数据管道和训练流程；当数据规模和类别数都上台阶之后，再迁移到DiT做大规模训练。UNet模型的输出也可以作为DiT模型的初始化数据蒸馏来源，实现模型架构的无缝升级。

另一个和骨干网络配套的关键设计是时间步嵌入和规模正则。扩散模型的骨干随着规模增大，对时间步的感知能力要求也越高。如果时间步嵌入的维度不足，模型会难以区分“需要大改”和“只需微调”的阶段，导致去噪过程中出现结构性的抖动。这个细节容易被忽略，但当你把模型从几十M参数涨到几百M参数时，时间步嵌入的通道数基本要翻倍才能维持同等生成质量。

4.3 两阶段生成与规模化训练细节

真正让3D资产生成做到“内容级”可用，往往还需要两阶段策略：先粗后细。第一阶段用较低分辨率的特征平面生成整体形状和大致纹理，第二阶段在条件约束下修复细节，补充高频信息。两阶段的好处是把问题从“一步到位解决所有像素”转化为“逐步逼近目标”，极大降低单次学习的难度。

两阶段之间如何衔接也是技术活。一种方案是让第二阶段的模型以第一阶段的输出作为条件，这个条件可以是特征图的下采样版本，也可以是局部渲染图。另一种方案是让两个阶段共享同一个骨干，只是在不同分辨率上训练，训练过程中先用低分辨率预训练，再在高分辨率上微调。后者在部署上更有优势，因为最终推理时只用一个模型，省了一半显存。

规模化训练还有几个不得不提的工程技巧：

• 混合精度训练是必须的，但损失缩放需要针对3D特征图调整，不能用2D图像任务的默认值直接套。
• 大规模训练时的数据采样要按类别做频率平衡。3D数据集里椅子、桌子这类常见品类样本极多，而一些冷门品类样本极少，如果不做平衡，模型会严重偏向高频类别。
• 有条件训练时的条件丢弃比例不能照搬2D。2D常用的10%丢弃率在3D任务上容易导致条件信号过弱，我测试下来20%到30%之间的表现更稳定。

这些细节单独看都不大，但叠加在一起，就是“可扩展”和“只能跑通demo”这两种结果之间的差距。

5. 实操视角：一个最小可行3D扩散Demo怎么落地

5.1 环境与数据准备

如果和我一样是想先跑通验证流程，我建议不要一开始就上完整的多类别大规模方案，而是先做一个最小可行Demo。目标可以定为：给定一个公开3D数据集的小规模子集，训练一个能生成单类别资产的三平面扩散模型。

环境方面，我用的是一张24G显存的卡，框架选PyTorch。主要依赖包括diffusers库（负责扩散调度器和采样器）、以及配套的3D处理库用于渲染和网格提取。数据预处理流程是：从原始网格渲染多视角图，然后用一个预训练编码器把多视角图拟合为三平面特征。这里不需要自己从零写编码器，很多开源实现可以直接复用，但要注意开源实现里往往有多环境耦合问题，建议在干净环境里重建依赖并验证编码器输出形状后再进入训练。

5.2 一步步搭建并训练

我的搭建路径大致分四步：

第一步，准备数据管线。把原始网格文件读进来，做缩放归一化、去掉重复顶点、统一朝向，然后渲染多视角图。渲染分辨率不必太高，因为三平面编码阶段本身会做特征压缩，高分辨率渲染只会浪费磁盘。

第二步，生成三平面训练集。用编码器批量转换多视角渲染图为三平面特征图。我通常会把每张特征图做一次质量检查：可视化三平面的RGB通道和密度通道，确认几何轮廓是清晰的，而不是一坨模糊色块。这里发现问题要比训练完再查省力得多。

第三步，搭建去噪模型。第一阶段用一个小型U-Net，参数量控制在100M以内，输入输出通道数对齐三平面特征的通道数。训练配置可以直接参考2D扩散模型，但要修改噪声调度器，让总步数放宽到2000步左右。3D特征图的噪声敏感性比自然图像高，步数太短会造成生成结果出现波纹状伪影。

第四步，训练和采样。训练完一个checkpoint后，用DDIM采样器生成三平面，再用解码器查询点云和网格。我第一次跑通全流程时踩了个大坑：生成的网格总有一面是塌陷的。排查下来发现是采样时只用了三个平面中的两个，第三个平面被采样器错误地当作图像通道处理。这个教训让我意识到，三平面扩散虽然复用2D结构，但代码中必须时时保留“三个独立特征平面”的语义，不能把它当成普通三通道图像处理。

5.3 踩坑记录：训练不稳定和生成全黑

训练不稳定的问题在3D扩散里非常常见，症状大约是：loss不降，或者loss降了但采样结果全是噪声。遇到这种情况，我先检查三平面编码器的输出范围。不同编码器出来的特征值范围差异很大，有的在0到1，有的在-1到1，甚至有人会在特征里混入指数激活。扩散模型对输入范围极其敏感，如果特征的均值和方差和预训练2D模型假设的不一致，去噪网络会专注于拟合错误统计量，导致loss虚低但采样全黑。

我建议在进入模型之前对三平面特征做一次均值和方差归一化，并把这个归一化统计量保存好，在推理时反向还原。另一个常见问题是生成结果虽然形状合理，但纹理区域出现重复斑纹。这个多半是解码器的位置编码频率设置太高，高频编码放大了特征图中的微小噪声。调低最高频率，或者改成可学习频率，基本能解决。

还有一个需要特别提醒的：三平面和2D图像的通道顺序。把三平面当成三张独立的图喂给模型，和把它们拼接成一个三维张量喂给模型，训练效果差异巨大。前者每个平面独立卷积，特征之间缺乏交互；后者则天然具有平面间的通道注意力。我在最小Demo里选了后者，效果明显更稳。

6. 常见问题与排查技巧实录

6.1 资源不够时的曲线救国方案

如果没有24G大显存，第一个想到的肯定是用梯度累积，但这只解决“显存峰值”问题，不解决“训练太慢”问题。实际上还有三条更实用的路。

第一条是降低特征平面分辨率，64×64起步，验证完loss和采样流程后再向上提分辨率。这就像先画草稿再描细节，流程跑通了才值得堆算力。第二条是用现成的2D扩散模型做初始化，把骨干网络换成预训练权重之后，3D解码器和输入输出层随机初始化，这样模型在早期就能利用2D稳定特征，收敛速度肉眼可见地加快。第三条是从单类别场景起步，用一个类的数据把整个训练链路打通，再逐步加入其他类别。很多多类别训练中才暴露的问题，其实单类别阶段就能通过生成质量间接发现。

6.2 判断生成质量的三板斧

判断一个3D扩散模型到底行不行，光看渲染图是不够的，渲染角度好看很容易给人错觉。我常用的三个指标：

第一看多视角一致性。围绕生成结果转一圈，如果某个视角突然出现奇怪的凹陷、凸起或者纹理撕裂，说明三平面编码里存在视角不一致，这是扩散模型没学好的典型症状。第二看拓扑合理性。生成一个椅子如果出现椅背直接穿模连接椅座，哪怕渲染图再漂亮，这个模型也需要重新审视。第三看编辑稳定性。把网格导入常规建模软件，做一次平滑或者重拓扑，看生成的密集网格能不能优雅地降面。能优雅降面的模型才是真正理解了结构，否则只是在密度场上“背”出了一个类别的平均值。

7. 你可以怎么扩展这个方向

7.1 从静态资产到动态资产

三平面扩散模型解决的是静态资产生成，但实际项目里还需要大量动态资产，比如会动的机械臂、人物角色的衣物摆动。扩展思路大致有两类：一类是在三平面之外增加时间轴维度，让扩散模型同时生成多帧特征平面，但训练成本会成倍上升；另一类是保持静态生成不变，在资产生成后才用其他网络做动态变形场预测。后者更符合工程惯例，因为它把“形状生成”和“动态摆姿”解耦，两个环节可以分别优化。如果追求效率，可以先生成静态资产并验证几何质量，再考虑动态扩展。

7.2 与多模态大模型的交叉

扩散模型在3D领域还有一个极具潜力的方向是和多模态大模型交叉。如果用文本或者图像作为条件控制3D生成，就能实现“给一段描述，直接拿回一个可用的3D模型”。这个方向上最大的瓶颈还是在数据配对质量和数量，但已经有越来越多的团队在尝试用合成语料扩充图文到3D的对齐数据。

我在实际测试中，用预训练的图文对齐模型生成伪条件向量，再喂给3D扩散模型，效果比我预期的好。尽管条件向量的质量参差不齐，但扩散模型的自回归去噪过程本身就具备一定纠错能力，它能自动忽略部分噪声条件，生成结果仍然符合几何常识。这说明3D扩散模型和跨模态条件注入之间是天然兼容的，未来如果能突破数据瓶颈，这个方向会成为AIGC的核心一环。

7.3 推理加速与轻量化部署

就算训好了模型，工程落地还逃不开推理速度问题。扩散模型采样动辄几十上百步，3D应用里还要额外跑解码器和网格提取，延迟很容易让人失去耐心。我试过几个加速方案，每个都有具体适用场景。

训练阶段就加入蒸馏方案是性价比最高的路径。把多步扩散“蒸馏”成单步或者少步生成，相当于让模型把几十步的精力压缩到几步内迸发出来，质量会有损失，但延迟可以从秒级降到毫秒级。另一种是换用一致性模型架构，它直接把任意噪声一步映射到数据分布，省掉了迭代采样环节，缺点是生成多样性会比全步扩散略低。最后是工程层面的优化，比如三平面解码器换成可转成ONNX的模型，推理时用GPU并行解码多个候选点，配合网格提取的并行化改造，整体吞吐能提升不少。

写在后面

从最开始的体素GAN一路做到三平面扩散，我的感受是这个方向正在把3D资产生成从一个“玄学活”变成一个“工程活”。以前调生成模型像碰运气，现在有了扩散模型这套稳定的学习框架，加上可扩展的3D表示，问题更多变成了数据和算力的工程问题。我个人在实际操作中最深的体会是：不要一开始就追求大模型、大批次，先把单类别、低分辨率的小链路跑通，跑通之后你才会真正理解三平面、噪声调度和条件控制之间的微妙关系。等这个最小系统稳定了，再去加数据、加参数、加类别，才是可规模化的正确姿势。后面有时间我打算再写一篇从两阶段生成推进到文本驱动3D资产生成的实操记录，继续和大家交流。