還在費力地用軟體一點點搭建模型？南洋理工大學的一項研究，正在探索利用AI生成並重建不同造型的3D汽車車身。
AI設計師，正在改寫遊戲規則 一輛新車的誕生，從設計師的草圖到最終的三維車身，往往需要經歷反覆的數字建模、修改和驗證。傳統設計流程凝聚了設計師與工程師的大量心血，但如何更高效地探索不同的汽車外形，一直是汽車設計領域關注的問題。
現在，南洋理工大學（NTU）的一項研究正在探索新的解決辦法。根據學校機構知識庫DR-NTU收錄的2026年學位論文，研究人員利用生成式擴散模型，建立了一套汽車車身「生成—重建—評估」流程，希望藉助AI生成不同的汽車外形，為早期概念設計提供更多參考。
DrivAerNet++汽車三維模型及不同車身結構示意。NTU研究人員利用該數據集中的汽車模型訓練擴散模型，探索汽車車身的生成與三維重建。來源： DrivAerNet++研究團隊／NeurIPS 2024
備註： 此圖為論文所使用數據集的示意圖，並非NTU模型最終生成的汽車結果。
直接生成完整的3D汽車模型並不容易，因為汽車車身包含複雜的網格和曲面結構。為降低生成難度，研究人員沒有讓AI直接處理三維網格，而是先將汽車模型轉換成由前、後、左、右、頂部和底部組成的六視角正交深度圖。
AI生成這些包含汽車輪廓和空間信息的深度圖後，系統再利用三維重建技術，將不同視角的信息組合起來，還原成汽車的3D表面。也就是說，這項研究並不是讓設計師輸入幾個關鍵詞，就能直接獲得一輛可以投入生產的汽車，而是探索如何利用二維圖像生成技術輔助三維汽車車身設計。
AI的「無中生有」魔法 這項技術的背後，是生成式擴散模型。它的工作原理可以理解為一種「逆向雕刻」：從一團由隨機噪點構成的「數字混沌」開始，經過多輪處理，逐漸生成結構清晰的汽車深度圖。
研究使用了DrivAerNet++和ShapeNet中的汽車模型數據，並將這些三維模型轉換成統一的六視角深度圖。擴散模型通過學習這些數據中的汽車外形特徵，逐步掌握不同車身輪廓、比例和曲面之間的規律。
生成時，模型會一步步對隨機噪聲進行「去噪」，就像雕塑家逐漸從材料中鑿出輪廓，讓原本混亂的結構慢慢變得清晰，最終形成一組具有汽車外形特徵的多視角圖像。研究人員隨後再將這些圖像還原為三維車身表面。
這個過程並非簡單地複製某一輛現有汽車。模型學習的是訓練數據中汽車外形的整體分布和結構特徵，再根據這些規律生成新的樣本。不過，生成結果是否具有足夠的美學價值，能否滿足空氣動力學、製造工藝和安全標準等工程要求，仍然需要設計師和工程師進一步判斷。
研究還比較了不同訓練數據帶來的效果。結果顯示，只使用DrivAerNet++數據訓練的模型，生成結果與原始汽車數據的整體分布更接近；使用ShapeNet相關數據訓練的模型，可以產生更多樣化的汽車造型；將兩類數據結合後，生成的幾何結構則更加規整，更有利於後續的三維重建。
不只是生成圖片，更要還原3D車身 這項研究的重點，不只是讓AI生成看起來像汽車的圖片，而是進一步把多角度深度圖還原為具有三維幾何結構的車身表面。
在汽車設計早期，設計師通常需要嘗試不同的車身比例、輪廓和曲面方案。生成式AI可以提供更多可供參考的初步造型，幫助設計師探索不同方向。設計師則需要憑藉專業審美和工程經驗，從中篩選、修改和深化有價值的設計。
這並不意味著AI能夠取代人類設計師。現階段，這項方法更適合作為汽車早期概念設計的輔助工具，而不是能夠獨立完成汽車設計的成熟系統。真正進入生產之前，汽車仍然需要經過空氣動力學、結構安全、內部空間、材料和製造工藝等一系列專業驗證。
不過，這項研究建立了一套從汽車數據處理、擴散模型生成，到三維車身重建和結果評估的完整流程，展示了生成式AI在汽車造型探索中的應用潛力，也為設計師與AI協同開展早期工業設計提供了新的可能性。 對技術細節感興趣的讀者，可以訪問DR-NTU官網查閱原文。
📌 要點總結
✦ NTU的一項學位研究利用生成式擴散模型，探索汽車車身外形的自動生成與三維重建。
✦ 研究先讓AI生成汽車的六視角深度圖，再將這些圖像組合、還原成3D車身表面。不同訓練數據在造型真實性、設計多樣性和幾何規整程度方面各有優勢。
✦ 該技術主要面向汽車早期概念設計，目前還不能代替設計師完成工程驗證和完整的汽車設計流程。
點擊原文連結，探索這項黑科技
