通过构建一个包含海量三维模型及其对应详细文本描述的大规模数据集，可以为深度学习模型提供训练基础，使其学习从文本语义到三维几何的映射关系。这一数据集适用于训练和评估文本到三维模型的生成式AI，同时也为三维模型的文本检索、跨模态AI研究以及算法基准测试提供了关键资源。利用该数据训练出的模型，能够让游戏开发者、设计师和普通创作者快速将创意文字转化为可视化三维资产，从而赋能于快速原型制作、个性化内容生成和虚拟世界构建，解决了高质量三维内容创作长期以来对专业技能和昂贵工具的依赖问题。
基于文本提示的三维物体建模算法规则主要应用于虚拟现实、游戏开发和快速原型制作等领域，旨在将文本创意快速转化为三维内容。具体过程包括：（1）数据收集：用户输入描述目标三维物体的自然语言文本提示。（2）数据处理：采用大规模预训练的语言模型作为文本编码器，将输入的文本提示处理并转换为蕴含丰富语义信息的高维度特征向量，特征向量通过公式 F_text = Encoder_text(T_prompt) 提取，其中 F_text 为文本特征向量，Encoder_text 为预训练文本编码器，T_prompt 为输入的文本提示。（3）模型构建：使用提取的文本特征向量作为条件或输入，搭建一个生成式深度学习模型，该模型将文本的抽象语义解码为具体的三维空间表示，并根据公式 3D_rep = Decoder_3D(F_text) 从文本特征向量中生成三维模型的表示，其中 3D_rep 为三维模型的表示，Decoder_3D 为三维形状解码器；生成模型的准确度通常通过与基准三维模型的对比来衡量，关键的评估指标包括用于测量体积重叠度的交并比（Intersection over Union, IoU）和用于测量点云相似度的倒角距离（Chamfer Distance, CD）。此方法通过输入描述性文本直接生成相应格式的三维模型文件，极大地降低了三维建模的技术门槛并提升了创作效率。
| 字段名 | 类型 | 描述 |
|---|---|---|
编号 |
-- | -- |
文本 |
-- | -- |
特征向量 |
-- | -- |
三维模型 |
-- | -- |
IoU |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 编号 | V-20250904-SH0000 |
| 文本 | 一座未来城市的公寓 |
| 特征向量 | data\V-20250904-SH0000\feature_vector.np |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/5053580