АВТОМАТИЗАЦІЯ ГЕНЕРАЦІЇ ЦИФРОВИХ ТЕКСТУР ІЗ ВИКОРИСТАННЯМ ГЕНЕРАТИВНИХ МОДЕЛЕЙ ШТУЧНОГО ІНТЕЛЕКТУ
DOI:
https://doi.org/10.32689/maup.it.2026.2.3Ключові слова:
генеративний штучний інтелект, генерація текстур, дифузійні моделі, цифрові матеріали, тривимірне моделювання, комп’ютерна графіка, PBR, автоматизація, машинне навчанняАнотація
Метою дослідження є обґрунтування підходу до автоматизації генерації цифрових текстур із використанням генеративних моделей штучного інтелекту та визначення послідовності операцій, необхідних для отримання придатних до використання матеріалів у системах тривимірного моделювання. У роботі систематизовано сучасні підходи до синтезу текстур на основі дифузійних моделей, моделей, орієнтованих на генерацію матеріалів, а також методів генерації текстур безпосередньо в просторі тривимірної поверхні. Проведено критичний аналіз досліджень Point-UV Diffusion, MatFuse, DiffMat, DreamMat, Single Mesh Diffusion Models та TEXGen, що дало змогу виокремити переваги й обмеження різних підходів. Запропоновано алгоритм автоматизованого формування текстури, який включає визначення вимог до матеріалу, формування текстового або візуального запиту, генерацію декількох кандидатів, оцінювання відповідності, підготовку карт матеріалу, постобробку та експорт у середовище тривимірного моделювання. Окремо розглянуто практичну апробацію на двох типах матеріалів: старій цегляній поверхні та матовому металевому матеріалі. Для кожного прикладу визначено вихідні вимоги, приклад запиту, критерії оцінювання та послідовність підготовки матеріалу до використання у тривимірній сцені. Обґрунтовано, що генеративний штучний інтелект доцільно розглядати не як повну заміну фахівця, а як інструмент автоматизації повторюваних операцій і швидкого формування варіантів. Практична цінність роботи полягає у формуванні відтворюваного робочого процесу, який може бути використаний у розробленні комп’ютерних ігор, цифровому дизайні, архітектурній візуалізації та підготовці фахівців з інформаційних технологій.
Посилання
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., Bengio, Y. (2014). Generative Adversarial Nets. Advances in Neural Information Processing Systems. Vol. 27.
Ho, J., Jain, A., Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems. Vol. 33.
Rombach, R., Blattmann, A., Lorenz, D., Esser, P., Ommer, B. (2022). High-Resolution Image Synthesis with Latent Diffusion Models. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. P. 10684–10695. DOI: 10.1109/CVPR52688.2022.01042.
Yu, X., Dai, P., Li, W., Ma, L., Liu, Z., Qi, X. (2023). Texture Generation on 3D Meshes with Point-UV Diffusion. Proceedings of the IEEE/CVF International Conference on Computer Vision. P. 4206–4216.
Vecchio, G., Sortino, R., Palazzo, S., Spampinato, C. (2024). MatFuse: Controllable Material Generation with Diffusion Models. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. P. 4429–4438. DOI: 10.1109/CVPR52733.2024.00424.
Zhang, Y., Liu, Y., Xie, Z., Yang, L., Liu, Z., Yang, M., Zhang, R., Kou, Q., Lin, C., Wang, W., Jin, X. (2024). DreamMat: High-quality PBR Material Generation with Geometry- and Light-aware Diffusion Models. ACM Transactions on Graphics. Vol. 43, No. 4. DOI: 10.1145/3658170.
Zhang, C., et al. (2024). DiffMat: Latent diffusion models for image-guided material generation. Visual Informatics. Vol. 8, No. 1. P. 6–14. DOI: 10.1016/j.visinf.2023.12.001.
Mitchel, T.W., Esteves, C., Makadia, A. (2024). Single Mesh Diffusion Models with Field Latents for Texture Generation. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. P. 7953–7963. DOI: 10.1109/CVPR52733.2024.00760.
Yu, X., Yuan, Z., Guo, Y.-C., Liu, Y.-T., Liu, J., Li Y., Cao, Y.-P., Liang, D., Qi, X. (2024). TEXGen: A Generative Diffusion Model for Mesh Textures. ACM Transactions on Graphics. Vol. 43, No. 6, Article 213. DOI: 10.1145/3687909.
Huang, X., Wang, T., Liu, Z., Wang, Q. (2024). Material Anything: Generating Materials for Any 3D Object via Diffusion. arXiv preprint arXiv:2411.15138.
Xie, Z., Zhang, Y., Tang, X., Wu, Y., Chen, D., Li, G., Jin, X. (2024). StyleTex: Style Image-Guided Texture Generation for 3D Models. ACM Transactions on Graphics.
Richardson, E., et al. (2023). TEXTure: Text-Guided Texturing of 3D Shapes. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.
Chen, A., et al. (2023). Text2Tex: Text-driven Texture Synthesis of 3D Shapes. Proceedings of the IEEE/CVF International Conference on Computer Vision.
Adobe. Substance 3D Sampler: Text-to-texture and Image-to-texture generative workflows. Adobe Experience League. 2024–2026.
Blender Foundation. Blender Manual: Materials and Texture Painting. 2025.
Epic Games. Unreal Engine Documentation: Materials and Textures. 2025.
Unity Technologies. Unity Manual: Materials, Textures and Shaders. 2025.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
