还在费力地用软件一点点搭建模型？南洋理工大学的一项研究，正在探索利用AI生成并重建不同造型的3D汽车车身。
AI设计师，正在改写游戏规则 一辆新车的诞生，从设计师的草图到最终的三维车身，往往需要经历反复的数字建模、修改和验证。传统设计流程凝聚了设计师与工程师的大量心血，但如何更高效地探索不同的汽车外形，一直是汽车设计领域关注的问题。
现在，南洋理工大学（NTU）的一项研究正在探索新的解决办法。根据学校机构知识库DR-NTU收录的2026年学位论文，研究人员利用生成式扩散模型，建立了一套汽车车身“生成—重建—评估”流程，希望借助AI生成不同的汽车外形，为早期概念设计提供更多参考。
DrivAerNet++汽车三维模型及不同车身结构示意。NTU研究人员利用该数据集中的汽车模型训练扩散模型，探索汽车车身的生成与三维重建。来源： DrivAerNet++研究团队／NeurIPS 2024
备注： 此图为论文所使用数据集的示意图，并非NTU模型最终生成的汽车结果。
直接生成完整的3D汽车模型并不容易，因为汽车车身包含复杂的网格和曲面结构。为降低生成难度，研究人员没有让AI直接处理三维网格，而是先将汽车模型转换成由前、后、左、右、顶部和底部组成的六视角正交深度图。
AI生成这些包含汽车轮廓和空间信息的深度图后，系统再利用三维重建技术，将不同视角的信息组合起来，还原成汽车的3D表面。也就是说，这项研究并不是让设计师输入几个关键词，就能直接获得一辆可以投入生产的汽车，而是探索如何利用二维图像生成技术辅助三维汽车车身设计。
AI的“无中生有”魔法 这项技术的背后，是生成式扩散模型。它的工作原理可以理解为一种“逆向雕刻”：从一团由随机噪点构成的“数字混沌”开始，经过多轮处理，逐渐生成结构清晰的汽车深度图。
研究使用了DrivAerNet++和ShapeNet中的汽车模型数据，并将这些三维模型转换成统一的六视角深度图。扩散模型通过学习这些数据中的汽车外形特征，逐步掌握不同车身轮廓、比例和曲面之间的规律。
生成时，模型会一步步对随机噪声进行“去噪”，就像雕塑家逐渐从材料中凿出轮廓，让原本混乱的结构慢慢变得清晰，最终形成一组具有汽车外形特征的多视角图像。研究人员随后再将这些图像还原为三维车身表面。
这个过程并非简单地复制某一辆现有汽车。模型学习的是训练数据中汽车外形的整体分布和结构特征，再根据这些规律生成新的样本。不过，生成结果是否具有足够的美学价值，能否满足空气动力学、制造工艺和安全标准等工程要求，仍然需要设计师和工程师进一步判断。
研究还比较了不同训练数据带来的效果。结果显示，只使用DrivAerNet++数据训练的模型，生成结果与原始汽车数据的整体分布更接近；使用ShapeNet相关数据训练的模型，可以产生更多样化的汽车造型；将两类数据结合后，生成的几何结构则更加规整，更有利于后续的三维重建。
不只是生成图片，更要还原3D车身 这项研究的重点，不只是让AI生成看起来像汽车的图片，而是进一步把多角度深度图还原为具有三维几何结构的车身表面。
在汽车设计早期，设计师通常需要尝试不同的车身比例、轮廓和曲面方案。生成式AI可以提供更多可供参考的初步造型，帮助设计师探索不同方向。设计师则需要凭借专业审美和工程经验，从中筛选、修改和深化有价值的设计。
这并不意味着AI能够取代人类设计师。现阶段，这项方法更适合作为汽车早期概念设计的辅助工具，而不是能够独立完成汽车设计的成熟系统。真正进入生产之前，汽车仍然需要经过空气动力学、结构安全、内部空间、材料和制造工艺等一系列专业验证。
不过，这项研究建立了一套从汽车数据处理、扩散模型生成，到三维车身重建和结果评估的完整流程，展示了生成式AI在汽车造型探索中的应用潜力，也为设计师与AI协同开展早期工业设计提供了新的可能性。 对技术细节感兴趣的读者，可以访问DR-NTU官网查阅原文。
📌 要点总结
✦ NTU的一项学位研究利用生成式扩散模型，探索汽车车身外形的自动生成与三维重建。
✦ 研究先让AI生成汽车的六视角深度图，再将这些图像组合、还原成3D车身表面。不同训练数据在造型真实性、设计多样性和几何规整程度方面各有优势。
✦ 该技术主要面向汽车早期概念设计，目前还不能代替设计师完成工程验证和完整的汽车设计流程。
点击原文链接，探索这项黑科技
