TRELLIS.2：微软开源的高保真图像到 3D 生成模型

原创发布日期：2025-12-22

一、TRELLIS.2是什么？

TRELLIS.2是微软开源的一款4B参数3D生成模型，专注于解决“高保真图像到3D资产生成”的核心需求。该模型以4B参数规模为基础，创新引入“O-Voxel”无场稀疏体素结构，彻底打破传统等值面场模型的技术限制，能够高效、精准地将2D图像转换为具备复杂拓扑结构、高分辨率细节与全PBR（Physically Based Rendering，基于物理的渲染）材质的3D资产。

作为开源项目，TRELLIS.2的核心目标是降低高保真3D内容创作的技术门槛——无需专业的3D建模技能、复杂的渲染流程或长时间的优化计算，仅通过输入一张2D图像，即可快速生成可直接用于生产环境的3D资产（支持GLB格式导出，兼容主流3D软件与引擎）。项目当前已开放图像到3D推理代码、4B参数预训练权重、Web Demo等核心资源，后续将按计划补充形状条件纹理生成推理代码与完整训练代码，形成从“推理部署”到“二次开发”的全流程支持。

TRELLIS.2的适用场景覆盖个人创作者、企业研发团队、科研机构等多个群体，其核心价值在于：以“高效性、高质量、极简操作”为三大支柱，重新定义图像到3D生成的工作流，让3D资产创作从“专业门槛高、耗时久”的传统模式，转变为“低门槛、快速迭代、高保真”的现代化流程。

TRELLIS.2：微软开源的高保真图像到 3D 生成模型

二、功能特色

TRELLIS.2的功能特色围绕“高质量、高效率、强兼容性、易操作”四大核心维度展开，具体如下：

1. 高分辨率+高效率，兼顾质量与速度

TRELLIS.2基于4B参数模型架构与稀疏3D VAE（变分自编码器）设计，通过16×空间下采样技术将3D资产编码为紧凑潜空间，在保证高保真输出的同时，实现了行业领先的生成效率。其在NVIDIA H100 GPU（当前顶级AI计算卡）上的实测性能如下表所示：

输出分辨率	总生成时间	耗时拆分（形状生成 + 材质渲染）	核心优势
512³	~3秒	2秒 + 1秒	极速生成，适合快速原型验证
1024³	~17秒	10秒 + 7秒	平衡质量与效率，适用于多数生产场景
1536³	~60秒	35秒 + 25秒	超高清细节，满足高精度资产需求

注：该测试结果基于纯模型推理时间，不包含图像预处理与格式导出耗时，实际使用中整体流程仍保持高效。

2. 突破拓扑限制，兼容任意复杂结构

传统3D生成模型多依赖等值面场技术，在处理开放表面、非流形几何等复杂结构时易出现失真、破损或需额外优化的问题。TRELLIS.2采用创新的O-Voxel无场稀疏体素结构，彻底摆脱这一限制，能够稳健处理各类复杂拓扑，且无需任何有损转换步骤：

✅ 开放表面：如衣物、树叶、布料等无闭合边界的结构
✅ 非流形几何：如多个面共享一条边、单个顶点连接多个不连续面的特殊结构
✅ 内部封闭结构：如空心物体、带腔体的机械零件等内部复杂形态

这一特性使得TRELLIS.2能够覆盖更多真实世界场景的3D生成需求，无需用户手动修复模型拓扑，大幅降低后续处理成本。

3. 全PBR材质建模，支持照片级渲染

不同于仅支持基础颜色的简易3D生成工具，TRELLIS.2完整支持PBR材质的全维度属性建模，能够生成具备工业级标准的3D资产，具体包括：

基础色（Base Color）：物体表面的固有颜色，支持细腻纹理细节
粗糙度（Roughness）：控制物体表面的反光程度，从镜面到磨砂效果可精准呈现
金属度（Metallic）：模拟金属材质的反光特性，区分金属与非金属质感
透明度（Opacity）：支持半透明效果，如玻璃、塑料、布料等透明/半透明材质

通过全PBR材质建模，TRELLIS.2生成的3D资产可直接用于游戏引擎（如Unity、Unreal Engine）、影视渲染、AR/VR场景等专业领域，无需额外进行材质调整，实现“生成即可用”。

4. 极简数据处理，双向格式极速转换

TRELLIS.2优化了3D资产的格式转换流程，无需依赖复杂的渲染管线或优化算法，即可实现纹理网格与O-Voxel格式的双向极速转换，具体效率如下：

纹理网格 → O-Voxel：单CPU环境下耗时＜10秒，无需GPU加速即可完成
O-Voxel → 纹理网格：CUDA环境下耗时＜100毫秒，近乎实时转换

这一特性极大提升了工作流效率：用户可快速将现有纹理网格资产转换为O-Voxel格式用于模型微调，也可将生成的O-Voxel模型即时转换为纹理网格用于导出与使用，全程无冗余步骤。

5. 开源易用，支持多场景部署

TRELLIS.2提供完整的开源代码、预训练权重与详细文档，支持两种核心使用方式：

本地部署：通过Python脚本调用模型，支持自定义参数（如分辨率、输出格式）
Web Demo：通过简单命令启动本地Web服务，无需编写代码即可通过界面上传图像、生成3D资产

同时，项目提供Hugging Face Spaces在线Demo，用户无需本地配置环境即可快速体验核心功能，降低试用门槛。

三、技术细节

TRELLIS.2的核心技术优势源于其创新的模型架构、数据表示方法与高效的工程实现，以下从关键技术模块进行详细解析：

1. 核心表示方法：O-Voxel无场稀疏体素结构

O-Voxel是TRELLIS.2提出的“无场稀疏体素”创新表示方法，也是其突破传统3D生成限制的核心。传统3D生成模型多采用“等值面场”（如SDF、NeRF），需通过隐式函数拟合物体表面，在处理复杂拓扑时易出现精度损失或效率低下的问题。而O-Voxel采用显式稀疏体素表示，直接对物体的几何结构与材质属性进行离散化存储，无需通过隐式函数推导，具体优势如下：

无拓扑限制：显式存储几何信息，无需满足等值面场的连续性假设，自然支持开放表面、非流形几何等复杂结构
高效编码：通过稀疏存储技术，仅保留物体表面及内部有效区域的体素数据，大幅降低存储与计算开销
双向兼容：设计了专门的格式转换逻辑，可与传统纹理网格格式（如GLB、OBJ）高效互转，兼容现有3D工作流

O-Voxel的核心价值在于“兼顾紧凑性与表达能力”：既通过稀疏存储实现了高效计算，又通过显式表示保证了几何与材质的高保真度，解决了传统3D生成模型中“效率”与“质量”难以兼顾的矛盾。

2. 模型架构：4B参数稀疏3D VAE + DiTs

TRELLIS.2的模型架构由“稀疏3D VAE”与“DiTs（Denoising Diffusion Transformers）”组成，形成“编码-生成-解码”的完整流程：

稀疏3D VAE：负责将3D资产编码为紧凑潜空间。通过16×空间下采样，将高分辨率3D数据压缩为低维度潜向量，同时保留几何与材质的关键信息，为高效生成奠定基础
DiTs生成器：基于4B参数的Transformer架构，在潜空间中进行扩散生成。DiTs具备强大的全局依赖建模能力，能够精准还原2D图像中的细节信息，并将其映射为3D空间的几何与材质分布
解码器：将生成的潜向量解码为O-Voxel格式，再通过格式转换模块输出为纹理网格或GLB格式，完成3D资产生成

这一架构的优势在于：通过VAE实现数据压缩，降低生成过程的计算开销；通过DiTs保证生成质量，利用Transformer的长距离依赖建模能力还原细腻细节；整体设计兼顾了模型规模与推理效率，在4B参数的高容量下仍能实现快速推理。

3. 工程优化：高效依赖组件与硬件适配

为实现“高分辨率+高效率”的目标，TRELLIS.2集成了多个微软自研的高性能组件，同时针对硬件进行了深度优化：

FlexGEMM：基于Triton的高效稀疏卷积实现，专门优化稀疏体素结构的卷积计算，大幅提升O-Voxel数据的处理速度
CuMesh：CUDA加速的网格处理工具，支持高速后处理（如网格简化、重新网格化、UV展开、降采样等），确保生成的纹理网格具备良好的实用性
注意力后端优化：默认采用flash-attn作为注意力计算后端，兼顾速度与显存效率；对于不支持flash-attn的GPU（如NVIDIA V100），可切换为xformers后端，保证兼容性
CUDA Toolkit适配：推荐使用CUDA 12.4版本，通过底层优化充分发挥NVIDIA GPU的计算能力，尤其是在高分辨率生成场景下的并行计算效率

这些工程优化使得TRELLIS.2能够在常规硬件（≥24GB显存的GPU）上实现高分辨率3D生成，避免了对超高端硬件的过度依赖，提升了项目的可及性。

四、应用场景

基于其高保真、高效率、强兼容性的核心特性，TRELLIS.2可广泛应用于多个专业领域与个人创作场景，具体如下：

1. 游戏资产创作

游戏开发中，3D资产（如角色、道具、场景组件）的制作是耗时耗力的核心环节。TRELLIS.2可快速将概念设计图、参考照片转换为具备全PBR材质的3D资产，支持512³-1536³分辨率输出，能够满足移动端、PC端、主机端等不同平台的精度需求。例如：

设计师上传角色概念图，快速生成3D基础模型，用于前期原型验证
将真实世界道具（如武器、饰品）的照片转换为3D模型，减少手工建模工作量
批量生成场景组件（如树木、岩石、建筑零件），提升场景搭建效率

生成的GLB格式资产可直接导入Unity、Unreal Engine等主流游戏引擎，无需额外材质调整，大幅缩短游戏开发周期。

2. AR/VR内容开发

AR/VR场景对3D资产的轻量化与真实感要求较高，TRELLIS.2的全PBR材质建模与高效格式转换特性能够很好地适配这一需求：

AR试穿/试戴：将服装、饰品、眼镜等产品的2D图片转换为3D资产，用于AR试穿场景，提升用户体验
VR场景构建：快速生成虚拟环境中的3D物体（如家具、工具、自然景观），降低VR内容制作成本
教育类AR应用：将教材中的2D插图（如人体结构、机械零件）转换为3D模型，支持交互式观察，提升教学效果

3. 产品设计与原型制作

在工业设计、产品研发领域，TRELLIS.2可作为快速原型工具，帮助设计师将2D设计图转换为3D模型，加速迭代流程：

工业零件设计：将零件的2D蓝图转换为3D模型，用于前期结构验证与装配测试
消费电子产品设计：如手机、家电等产品的2D渲染图转换为3D模型，用于外观展示与用户调研
3D打印原型：生成高精度3D模型，直接导出为3D打印支持的格式（如STL），缩短原型制作周期

4. 影视与动画制作

影视动画中的场景、道具、角色模型往往需要高精度与真实感，TRELLIS.2的1536³超高清分辨率与全PBR材质支持能够满足这一需求：

场景道具生成：将概念艺术图转换为3D场景组件（如建筑、家具、装饰），提升场景搭建效率
角色辅助建模：快速生成角色的基础3D模型，为动画师提供前期参考
特效资产制作：生成透明/半透明特效资产（如烟雾、液体、魔法效果），支持影视级渲染

5. 个人创作与开源社区

对于3D建模爱好者、学生、独立创作者等非专业群体，TRELLIS.2的低门槛特性使其能够快速入门3D创作：

个人作品集制作：将自己的绘画、摄影作品转换为3D资产，丰富作品集形式
学习与研究：通过开源代码了解3D生成模型的核心技术，用于学术研究或技能提升
开源项目贡献：基于TRELLIS.2进行二次开发，扩展更多场景化功能（如风格化3D生成、批量生成工具）

五、使用方法

TRELLIS.2支持本地部署（Python脚本）与Web Demo两种使用方式，以下详细介绍安装步骤与核心操作流程：

1. 前置条件

在开始使用前，需确保满足以下硬件与软件要求，否则可能导致安装失败或功能异常：

类别	具体要求
操作系统	仅支持Linux（当前官方测试环境，Windows、macOS暂不支持）
硬件	NVIDIA GPU（显存≥24GB，推荐A100/H100，已验证兼容；显存不足会导致高分辨率生成失败）
软件依赖	1. CUDA Toolkit：推荐版本12.4（需与PyTorch版本匹配） 2. Conda：用于依赖管理，推荐Anaconda或Miniconda 3. Python：3.8及以上版本
其他注意	1. 若安装多个CUDA版本，需手动设置CUDA_HOME环境变量指向目标版本（如CUDA 12.4） 2. 部分GPU（如V100）不支持flash-attn，需手动安装xformers并配置注意力后端

2. 安装步骤

步骤1：克隆仓库

打开Linux终端，执行以下命令克隆TRELLIS.2的GitHub仓库（需确保网络可访问GitHub）：

git clone -b main https://github.com/microsoft/TRELLIS.2.git --recursive
cd TRELLIS.2

注：--recursive参数用于克隆子模块（如O-Voxel、FlexGEMM等依赖组件），不可省略，否则会导致后续安装失败。

步骤2：安装依赖

项目提供setup.sh脚本用于一键安装依赖，支持通过参数配置安装选项。核心命令如下：

. ./setup.sh --new-env --basic --flash-attn --nvdiffrast --nvdiffrec --cumesh --o-voxel --flexgemm

脚本参数说明：

--new-env：创建名为trellis2的新Conda环境（若需使用现有环境，移除该参数）
--basic：安装基础依赖（如PyTorch、OpenCV等）
--flash-attn：安装flash-attn注意力后端（推荐A100/H100使用）
--nvdiffrast：安装渲染依赖（用于3D资产可视化）
--nvdiffrec：安装PBR材质渲染依赖
--cumesh：安装CUDA加速网格处理工具
--o-voxel：安装O-Voxel格式处理核心库
--flexgemm：安装高效稀疏卷积库

若需查看所有参数选项，可执行以下命令：

. ./setup.sh --help

安装注意事项：

依赖安装可能耗时较长（部分包需编译），请耐心等待，避免中断进程
若出现安装失败，可尝试单独安装失败的依赖（参考错误提示），或按顺序添加参数逐步安装
若使用非12.4版本的CUDA，需移除--new-env参数，手动安装对应版本的PyTorch（参考PyTorch官方安装指南）

步骤3：下载预训练权重

TRELLIS.2的4B参数预训练权重已发布在Hugging Face，无需手动下载——在运行推理脚本时，模型会自动从Hugging Face加载权重（需确保网络可访问Hugging Face）。若需手动下载，可访问权重地址：https://huggingface.co/microsoft/TRELLIS.2-4B，按指引下载并放置到指定目录。

3. 核心使用流程

方式1：本地Python脚本（图像到3D生成）

以下是使用预训练模型进行图像到3D生成的极简示例，完整代码可参考项目中的example.py：

# 1. 导入依赖库
import os
os.environ['OPENCV_IO_ENABLE_OPENEXR'] = '1'
os.environ["PYTORCH_CUDA_ALLOC_CONF"] = "expandable_segments:True" # 节省GPU显存
import cv2
import imageio
from PIL import Image
import torch
from trellis2.pipelines import Trellis2ImageTo3DPipeline
from trellis2.utils import render_utils
from trellis2.renderers import EnvMap
import o_voxel

# 2. 配置环境贴图（用于渲染可视化视频）
envmap = EnvMap(
  torch.tensor(
    cv2.cvtColor(cv2.imread('assets/hdri/forest.exr', cv2.IMREAD_UNCHANGED), cv2.COLOR_BGR2RGB),
    dtype=torch.float32, device='cuda'
  )
)

# 3. 加载模型 pipeline（自动从Hugging Face下载预训练权重）
pipeline = Trellis2ImageTo3DPipeline.from_pretrained("microsoft/TRELLIS.2-4B")
pipeline.cuda() # 将模型移至GPU

# 4. 加载输入图像并运行生成
image = Image.open("assets/example_image/T.png") # 替换为你的输入图像路径
mesh = pipeline.run(image)[0] # 生成3D网格模型
mesh.simplify(16777216) # 简化网格（适配nvdiffrast渲染限制）

# 5. 渲染可视化视频
video = render_utils.make_pbr_vis_frames(render_utils.render_video(mesh, envmap=envmap))
imageio.mimsave("sample.mp4", video, fps=15) # 保存视频到本地

# 6. 导出GLB格式3D资产（可直接用于3D软件/引擎）
glb = o_voxel.postprocess.to_glb(
  vertices=mesh.vertices,
  faces=mesh.faces,
  attr_volume=mesh.attrs,
  coords=mesh.coords,
  attr_layout=mesh.layout,
  voxel_size=mesh.voxel_size,
  aabb=[[-0.5, -0.5, -0.5], [0.5, 0.5, 0.5]], # 边界框设置
  decimation_target=1000000, # 降采样目标顶点数
  texture_size=4096, # 纹理分辨率
  remesh=True, # 重新网格化
  remesh_band=1,
  remesh_project=0,
  verbose=True
)
glb.export("sample.glb", extension_webp=True) # 导出GLB文件

执行脚本后，会在当前目录生成两个文件：

sample.mp4：3D资产的PBR材质可视化视频，展示模型的几何结构与材质效果
sample.glb：可直接使用的3D资产文件，默认不启用透明度，需在3D软件中手动连接alpha通道

方式2：Web Demo（无代码操作）

若无需自定义参数，可通过Web Demo快速生成3D资产，步骤如下：

完成上述安装步骤后，在项目根目录执行以下命令启动Web服务：
```
python app.py
```
终端会输出访问地址（如http://0.0.0.0:7860），打开浏览器访问该地址
在Web界面中点击“上传图像”，选择目标2D图像
点击“生成3D资产”，等待生成完成（时间取决于分辨率，512³约3秒）
生成完成后，可下载可视化视频（MP4格式）与3D资产（GLB格式）

4. 关键参数说明

在使用Python脚本时，可通过调整以下参数自定义生成效果：

分辨率：在pipeline.run()中指定，如pipeline.run(image, resolution=1024)（默认512³）
纹理大小：在o_voxel.postprocess.to_glb()中调整texture_size参数（默认4096，可改为2048、1024等）
降采样目标：通过decimation_target调整GLB模型的顶点数（数值越小，模型越轻量化）
透明度启用：GLB文件默认不启用透明度，需在Blender、Maya等3D软件中，将纹理的alpha通道连接到材质的透明度输入

六、常见问题解答（FAQ）

1. 安装时提示CUDA版本不匹配，如何解决？

答：TRELLIS.2推荐使用CUDA 12.4，若你的系统安装了其他版本，需按以下步骤处理：

第一步：移除setup.sh中的--new-env参数，避免自动安装PyTorch
第二步：手动设置CUDA_HOME环境变量，指向你的CUDA版本（如export CUDA_HOME=/usr/local/cuda-11.8）
第三步：参考PyTorch官方指南，安装与你的CUDA版本匹配的PyTorch（如CUDA 11.8对应PyTorch 2.0.0+）
第四步：重新运行setup.sh脚本，仅保留--basic --flash-attn等其他参数，完成剩余依赖安装

2. 运行时提示GPU显存不足，如何处理？

答：显存不足通常是由于分辨率设置过高或GPU显存小于24GB，解决方案如下：

降低生成分辨率：优先选择512³分辨率（最低显存需求24GB），避免直接使用1536³
启用显存优化：在脚本开头添加os.environ["PYTORCH_CUDA_ALLOC_CONF"] = "expandable_segments:True"，允许PyTorch动态扩展显存
关闭不必要的功能：如无需渲染视频，可注释掉render_utils相关代码，减少显存占用
更换更高显存GPU：若需生成1024³/1536³分辨率，建议使用≥40GB显存的GPU（如A100 40GB、H100 80GB）

3. 生成的GLB文件没有透明度效果，如何启用？

答：TRELLIS.2生成的GLB文件默认以OPAQUE模式导出，alpha通道已存储在纹理中，但未主动启用，需在3D软件中手动配置：

以Blender为例：导入GLB文件后，进入材质编辑器，找到纹理节点中的alpha通道，将其连接到“Principled BSDF”节点的“Alpha”输入
以Unreal Engine为例：导入后，在材质编辑器中启用“Translucent”模式，并将alpha通道映射到透明度参数

4. 输入图像有什么要求？生成效果受哪些因素影响？

答：输入图像需满足以下要求，否则可能影响生成质量：

图像格式：支持PNG、JPG、JPEG等常见格式，建议分辨率≥512×512
内容要求：主体明确、背景简单（避免复杂背景干扰模型识别），建议选择光照均匀、细节清晰的图像
影响因素：① 图像清晰度（模糊图像会导致3D模型细节丢失）；② 主体完整性（主体裁剪过多会导致拓扑不完整）；③ 光照一致性（图像光照混乱会导致材质渲染异常）

5. 能否在Windows或macOS系统上使用TRELLIS.2？

答：当前TRELLIS.2的代码仅在Linux系统上测试通过，Windows和macOS暂不支持，主要原因如下：

部分依赖组件（如CuMesh、FlexGEMM）基于Linux的CUDA环境开发，未适配Windows/macOS
macOS的Metal框架与CUDA不兼容，无法支持GPU加速功能

若需在非Linux系统使用，可通过Docker容器（Linux镜像）或云服务器（如AWS EC2、阿里云ECS的Linux实例）部署。

6. 如何获取形状条件纹理生成功能？

答：形状条件纹理生成的推理代码目前尚未发布，官方计划在2025年12月24日前开放，建议关注项目GitHub仓库的更新通知：

定期查看项目的“Roadmap”部分，获取功能发布进度
订阅项目的GitHub Release通知，功能发布后会收到提醒
加入项目相关社区（如GitHub Discussions），获取最新动态

7. 生成的3D模型可以用于商业用途吗？

答：TRELLIS.2的项目代码与模型权重采用MIT License开源，允许商业使用，但需注意以下两点：

遵守MIT License的要求：保留原项目的版权声明与许可证文件
部分依赖组件（如nvdiffrast、nvdiffrec）有独立许可证，需查看其官方许可证要求，确保商业使用合规

建议在商业使用前，仔细阅读项目LICENSE文件及各依赖组件的许可证条款。

七、相关链接

项目GitHub仓库：https://github.com/microsoft/TRELLIS.2
论文地址：https://arxiv.org/abs/2512.14692
项目主页：https://microsoft.github.io/TRELLIS.2
预训练权重（Hugging Face）：https://huggingface.co/microsoft/TRELLIS.2-4B
Hugging Face Spaces Demo：https://huggingface.co/spaces/microsoft/TRELLIS.2

八、总结

TRELLIS.2是微软推出的一款具备行业领先水平的开源图像到3D生成模型，以4B参数规模、创新O-Voxel无场稀疏体素结构为核心，实现了高分辨率（最高1536³）、全PBR材质、复杂拓扑兼容的3D资产高效生成，在NVIDIA H100 GPU上生成512³分辨率资产仅需3秒，同时支持纹理网格与O-Voxel格式的双向极速转换，无需复杂渲染与优化步骤。该项目提供完整的本地部署方案、Web Demo与预训练权重，安装过程通过脚本简化，支持Linux系统与≥24GB显存的NVIDIA GPU，适用于游戏建模、AR/VR开发、产品设计、影视制作等多个专业场景，同时也降低了个人创作者的3D创作门槛。作为开源项目，TRELLIS.2已开放核心推理功能与权重，后续将按计划补充形状条件纹理生成代码与训练代码，为开发者提供更完整的二次开发支持，其创新的技术方案与实用的功能特性，有望推动3D生成技术在更多行业的落地应用。

打赏

版权及免责申明：本文由@dotaai原创发布。该文章观点仅代表作者本人，不代表本站立场。本站不承担任何相关法律责任。

如若转载，请注明出处：https://www.aipuzi.cn/ai-news/trellis-2.html

THE END

dotaai

正在和我的聊天机器人谈恋爱，它很会捧场。

+ 关注

TRELLIS.2：微软开源的高保真图像到 3D 生成模型

文章目录

一、TRELLIS.2是什么？

二、功能特色

1. 高分辨率+高效率，兼顾质量与速度

2. 突破拓扑限制，兼容任意复杂结构

3. 全PBR材质建模，支持照片级渲染

4. 极简数据处理，双向格式极速转换

5. 开源易用，支持多场景部署

三、技术细节

1. 核心表示方法：O-Voxel无场稀疏体素结构

2. 模型架构：4B参数稀疏3D VAE + DiTs

3. 工程优化：高效依赖组件与硬件适配

四、应用场景

1. 游戏资产创作

2. AR/VR内容开发

3. 产品设计与原型制作

4. 影视与动画制作

5. 个人创作与开源社区

五、使用方法

1. 前置条件

2. 安装步骤

步骤1：克隆仓库

步骤2：安装依赖

步骤3：下载预训练权重

3. 核心使用流程

方式1：本地Python脚本（图像到3D生成）

方式2：Web Demo（无代码操作）

4. 关键参数说明

六、常见问题解答（FAQ）

1. 安装时提示CUDA版本不匹配，如何解决？

2. 运行时提示GPU显存不足，如何处理？

3. 生成的GLB文件没有透明度效果，如何启用？

4. 输入图像有什么要求？生成效果受哪些因素影响？

5. 能否在Windows或macOS系统上使用TRELLIS.2？

6. 如何获取形状条件纹理生成功能？

7. 生成的3D模型可以用于商业用途吗？

七、相关链接

八、总结

相关文章