大致可以分成3类：

1. 3D Native生成模型：使用真实3D数据训练一个生成式模型：
   • 标志性工作：Point-E、Shap-E
   • 缺点是真实的3D数据太少，训练得到的模型生成效果一般
2. 基于2D先验：
   1. 这种方法生成3D内容基于以下假设：如果这个3D场景（物体）从每个角度看都足够真实，那么这个3D物体就足够真实
   2. 利用预训练的2D图像生成模型（训练数据很多，图像生成质量好）作为先验
   3. 基于一个3D表示方法（例如NeRF），渲染出某个角度的图像，交给预训练2D图像生成模型先验去判断是否真实，如果不够真实则会产生一个loss
   4. 优化这个3D表示，降低每个角度渲染图像的loss
   5. 这种方法有点是完全不需要3D数据，甚至2D数据都不需要（已经有训练好的2D生成模型了）
   6. 主要的缺点是生成时间较长，因为要确保每个角度都足够真实，当场景变大的时候就特别困难
   7. 标志性工作：DreamFusion（SDS）
3. 2D-3D混合方法：
   1. 微调预训练2D图像生成模型，使得能够生成多视角一致的RGB、法线图（从3D数据来）等图像
   2. 结合3D重建方法，将多个视角一致的图像重建为3D模型
   3. 这个方法需要少量的3D数据来微调模型，训练量能够接受
   4. 挑战是要保证多个视角图像的一致性足够高，不能正面是一个物体，背面是另一个物体
   5. 标志性工作：Wonder3D，Zero-1-to-3

参考资料

[1] A Comprehensive Survey on 3D Content Generation 中的3, 4, 5章节