「0,5 phút biến ảnh chụp vội thành tài sản 3D hoàn chỉnh」 — Bài phân tích chuyên sâu từ Thâm Lam AI (深蓝AI · Biên tập: 小小怪博士 | Duyệt: 阿蓝) về công trình GATOR (Generative and Agentic 3D Object Reconstruction from Casual Images) của nhóm nghiên cứu NVIDIA hợp tác cùng Đại học Simon Fraser (SFU). Toàn bộ sơ đồ kiến trúc, bảng biểu thực nghiệm và biểu đồ hiệu năng đã được Việt hóa đầy đủ.
Trong kỷ nguyên của AI hiện thân (Embodied AI), mô phỏng robot và sáng tạo nội dung số 3D, việc tách trực tiếp một vật thể ngoài đời thực từ vài tấm ảnh chụp thường ngày để đưa thẳng vào trình mô phỏng vật lý (simulator) hoặc game engine luôn là một nhu cầu cốt lõi. Thế nhưng, hai chữ 「chụp vội」 (casual images) tưởng chừng đơn giản lại chất chứa hàng loạt bài toán hóc búa đối với thị giác máy tính: vật thể nằm lẫn lộn trên mặt bàn bừa bộn, bị các đồ vật khác che khuất một phần (partial occlusion), góc chụp hoàn toàn ngẫu hứng, điều kiện ánh sáng và tỷ lệ khung hình thay đổi thất thường — và khó nhất là hệ thống buộc phải tái tạo trọn vẹn cả phần mặt sau mà ống kính máy ảnh chưa từng nhìn thấy.
Để giải quyết bài toán này, đội ngũ nghiên cứu tại NVIDIA cùng Đại học Simon Fraser đã giới thiệu GATOR — một khung kiến trúc kết hợp chặt chẽ giữa 「Tái tạo tạo sinh」 (Generative Reconstruction) và 「Tinh chỉnh bằng Agent」 (Agentic Refinement). Điểm đáng kinh ngạc là GATOR chỉ cần huấn luyện trên dữ liệu cảnh tổng hợp (synthetic scenes), nhưng khi áp dụng trực tiếp không cần tinh chỉnh thêm (zero-shot) lên ảnh chụp mặt bàn thực tế và dữ liệu quét phòng trong nhà, mô hình vẫn dẫn đầu toàn diện trên cả 3 nhóm chỉ số: Hình học (Geometry), Ngoại quan (Appearance) và Tư thế (Pose). Thậm chí, phiên bản GATOR chưa cần bước tinh chỉnh Agent chỉ mất khoảng 0,5 phút suy luận đã vượt qua cả hệ thống Agent thương mại GPT-6-Astra chạy ròng rã suốt 20 phút.
01 · Nút thắt hiện tại: Mô hình tạo sinh hay 「bịa」, còn Agent thuần túy thì quá chậm
Khi đối mặt với những bức ảnh chụp ngẫu hứng có góc nhìn thưa thớt (sparse views) và bị che khuất nặng, các phương pháp tái tạo 3D hiện hành thường rơi vào tình trạng 「được mặt này thì mất mặt kia」:
- Nhóm tái tạo từ một góc nhìn (Single-view 3D Generation như LRM, TRELLIS.2, SAM 3D): chủ yếu dựa vào tiên nghiệm hình học (prior) đã học để 「đoán」 phần mặt sau bị khuất. Kết quả sinh ra nhìn qua thì có vẻ hợp lý về mặt thị giác, nhưng thường không khớp với hình dáng thực tế của vật thể khi đối chiếu từ các góc chụp khác.
- Nhóm tái tạo tạo sinh đa góc nhìn (Multi-view Generative Reconstruction như Pixal3D, ReconViaGen): tuy hợp nhất được thông tin từ nhiều góc quan sát, nhưng một khi vật thể bị che khuất và các thông số tư thế camera (camera pose) cùng bản đồ độ sâu (depth) đều là giá trị ước lượng có nhiễu, kết quả lập tức bị lệch. Hơn nữa, khả năng kiểm soát các chi tiết tinh xảo như độ phẳng bề mặt, khớp nối linh kiện hay chữ in sắc nét trên bao bì vẫn còn rất hạn chế.
- Nhóm sử dụng mô hình nền tảng đa phương thức làm Agent (như GPT-6-Astra): sở hữu khả năng điều khiển công cụ trực tiếp (viết code Blender, gọi công cụ dựng hình), nhưng việc bắt Agent tự dựng một tài sản 3D từ con số 0 đòi hỏi hàng chục vòng lặp gọi mô hình, chạy mã và kết xuất thử. Cách tiếp cận này không chỉ ngốn chi phí API thương mại khổng lồ và mất hàng chục phút chờ đợi, mà các cấu trúc hình học phức tạp còn rất dễ bị suy thoái thành những khối hình học thô sơ (primitives).
Nhận định cốt lõi của GATOR: Không nên bắt mô hình tạo sinh hay Agent tự gánh toàn bộ quy trình một mình. Hãy để mô hình tạo sinh phụ trách phần 「nhanh và hoàn chỉnh」 (tạo khung tài sản 3D có sẵn tư thế chuẩn trong 0,5–1 phút), rồi giao cho Agent phụ trách phần 「chuẩn và tinh xảo」 (phẫu thuật cục bộ các lỗ rỗng, cấu trúc lưới và UV/vật liệu trên nền tảng đã có).
02 · GATOR hoạt động như thế nào: Trộn đa phương thức cục bộ + Dẫn hướng văn bản + Nhận biết tư thế + Tinh chỉnh bằng Agent
Kiến trúc tổng thể của GATOR được chia làm hai giai đoạn nối tiếp nhau: giai đoạn (A) Tái tạo tạo sinh có nhận biết tư thế (Pose-Aware Generative Reconstruction) gồm 3 luồng giải mã Flow liên tiếp (Luồng cấu trúc thưa → Luồng hình học → Luồng ngoại quan PBR), và giai đoạn (B) Tinh chỉnh cục bộ có kiểm chứng bằng Agent (Agentic Refinement).
2.1 · Bộ trộn đa phương thức cục bộ (Local Modality Mixer)
Với mỗi góc chụp đầu vào, hệ thống trích xuất 3 luồng tín hiệu: ảnh màu RGB (mã hóa qua DINOv3), mặt nạ phân đoạn vật thể mục tiêu (Mask — cũng qua DINOv3) và bản đồ điểm độ sâu 3D (Depth Pointmap — qua Point Encoder kèm tọa độ 2D và tia Plücker). Các công trình trước đây thường xử lý 3 phương thức này theo kiểu tách rời rồi mới ghép cứng ở bước sinh (như ShapeR), hoặc chỉ cộng gộp đơn giản (như RecGen).
Ngược lại, GATOR thiết kế một 「Bộ trộn đa phương thức cục bộ」 (Local Modality Mixer): tại từng vùng ảnh (patch) của từng góc nhìn, hệ thống thực hiện cơ chế chú ý (attention) trực tiếp trên bộ 3 token đã căn chỉnh của RGB, Mask và Pointmap. Nhờ vậy, ngay tại cùng một vị trí không gian, mô hình đồng thời nắm bắt được cả 3 câu hỏi: 「Bề mặt trông như thế nào? Đó có phải vật thể mục tiêu không? Tọa độ độ sâu 3D ở đâu?」. Thiết kế này vừa giữ lại ngữ cảnh môi trường xung quanh để tách bạch vật thể mục tiêu khỏi đống đồ đạc hỗn độn, vừa tăng độ bền vững trước các sai số không thể tránh khỏi khi ước lượng mặt nạ và độ sâu từ ảnh thực tế. Sau bước trộn cục bộ, khi bước vào luồng sinh cấu trúc thưa (Sparse Structure Flow), mỗi biến tiềm ẩn (latent) sẽ thông qua cơ chế chú ý toàn cục (global attention) để thu thập thông tin từ tất cả các góc nhìn, từ đó khôi phục chính xác những phần hình học bị che khuất.
2.2 · Dẫn hướng ngữ nghĩa bằng văn bản xuyên suốt (Text Conditioning)
Khi số lượng góc chụp quá ít và vật thể bị che khuất nghiêm trọng, tiên nghiệm danh mục bằng ngôn ngữ (category/text prior) đóng vai trò như 「kiến thức thường thức」 giúp mô hình suy luận cấu trúc hợp lý. Thay vì chỉ đưa văn bản vào bước sinh hình dạng như ShapeR, GATOR tích hợp dẫn hướng văn bản xuyên suốt toàn bộ quy trình 3 luồng:
- Ở Luồng cấu trúc (Structure Flow): sử dụng prompt tên vật thể ngắn gọn (Object Name Prompt) được mã hóa bởi SigLIP2 để điều biến (modulation) trực tiếp quá trình tạo khung voxel thưa.
- Ở Luồng hình học (Geometry Flow) và Luồng ngoại quan (Appearance Flow): sử dụng mô tả chi tiết vật thể (Object Caption — linh hoạt từ tên danh mục ngắn đến đoạn mô tả dài) được mã hóa bởi T5Gemma2 thành chuỗi Text Global Tokens để thực hiện Cross-Attention trong từng khối Sparse Transformer.
2.3 · Sinh 3D có nhận biết tư thế (Pose-Aware 3D Generation)
Đây là điểm khác biệt bản lề giúp GATOR vượt trội so với hầu hết các phương pháp tạo sinh 3D trước đó (vốn chỉ sinh vật thể trong một hệ tọa độ chuẩn hóa tùy ý rồi bắt người dùng tự xoay/căn chỉnh lại vào cảnh). GATOR chỉ chọn một 「điểm neo quan sát」 (observation anchor) để chuẩn hóa sơ bộ về mặt tịnh tiến (translation) và tỷ lệ (scale), hoàn toàn KHÔNG xoay hệ tọa độ gốc. Nhờ đó, tài sản 3D sinh ra tự nhiên bảo toàn nguyên vẹn hướng xoay tương đối (relative orientation) so với các góc máy quan sát.
Sau khi mô hình tạo sinh hoàn tất hình dạng và vân bề mặt, GATOR áp dụng thêm một bước tinh chỉnh tư thế nhẹ bằng kết xuất khả vi (Differentiable Rendering Pose Refinement): đối chiếu đường viền (silhouette) và độ sâu kết xuất với mặt nạ/độ sâu quan sát để hiệu chỉnh chính xác độ lệch tịnh tiến và tỷ lệ. Kết quả là tài sản 3D đầu ra không chỉ 「trông giống vật thật」 mà còn nằm sẵn ở đúng vị trí, đúng kích thước để đặt khớp ngay lập tức vào bối cảnh 3D ban đầu.
2.4 · Tinh chỉnh cục bộ có kiểm chứng bằng Agent (Agentic Refinement)
Dù mô hình tạo sinh 3D đã tạo ra một phôi tài sản rất tốt, các mạng thần kinh tạo sinh vẫn thường để lại một số khiếm khuyết đặc trưng về mặt cấu trúc lưới: lỗ tay cầm chưa đục thông hoàn toàn, các khe hở hẹp bị dính liền nhau, hoặc một số vùng texture bị nhòe/nhiễm màu từ nền. Đây chính là lúc GATOR bàn giao công việc cho Agent đa phương thức (GPT-6-Astra).
Thay vì bắt Agent dựng hình từ đầu, GATOR cung cấp cho GPT-6-Astra: (1) lưới 3D ban đầu (Initial Asset) vừa sinh ra, (2) các ảnh chụp quan sát thực tế làm bằng chứng đối chiếu (Inspect Evidence), và (3) quyền thực thi mã trực tiếp trong môi trường Blender. Agent được chỉ thị thực hiện 「phẫu thuật cục bộ có mục tiêu rõ ràng」 trên 3 hạng mục: bù các bộ phận bị khuyết (Complete missing parts), sửa chữa cấu trúc liên kết lưới (Repair topology), và hiệu chỉnh bản đồ UV / vật liệu (Correct UVs / materials), đồng thời bắt buộc phải giữ nguyên các vùng hình học đã chuẩn xác cùng hệ tọa độ và tỷ lệ của vật thể.
Quan trọng hơn cả, sau mỗi thao tác chỉnh sửa trong Blender, hệ thống đều kết xuất (render) mô hình ứng viên (Candidate) dưới cùng góc camera và điều kiện ánh sáng của ảnh chụp gốc để đặt cạnh bản trước chỉnh sửa (Original). Chỉ khi bước Kiểm chứng & Chọn lọc (Select & Validate) xác nhận bản mới thực sự cải thiện độ khớp thị giác so với ảnh gốc thì thay đổi mới được giữ lại; nếu chỉnh sửa làm suy thoái hình dạng, hệ thống lập tức hoàn tác (revert) về mốc an toàn trước đó.
03 · Thực nghiệm: Huấn luyện trên dữ liệu tổng hợp, dẫn đầu toàn diện trên cảnh thực tế
Toàn bộ phần mô hình tạo sinh của GATOR chỉ được huấn luyện trên dữ liệu tổng hợp (khoảng 980.000 tài sản vật thể 3D kết hợp cùng bộ dữ liệu phòng có cấu trúc), sau đó đem đánh giá trực tiếp trên loạt kịch bản từ bộ dữ liệu đồ chơi (Toys4K), vật thể trên mặt bàn thực tế (LM-O, HB, HANDAL) cho tới dữ liệu quét phòng trong nhà (ScanNet++). Toàn bộ thử nghiệm ngoài đời thực đều chạy trong điều kiện 「chụp vội」 đúng nghĩa: mặt nạ vật thể, thông số camera và bản đồ độ sâu đều do các mô hình tiền xử lý tự ước lượng chứ không dùng dữ liệu chuẩn (ground-truth) phòng thí nghiệm.
3.1 · Vật thể trên mặt bàn thực tế: Sai số hình học giảm gần một nửa
Trong bài toán tái tạo vật thể trên mặt bàn thực tế với 4 góc nhìn đầu vào (Bảng 2), nếu đặt cạnh tất cả các phương pháp tái tạo 3D và Agent thương mại GPT-6-Astra, GATOR đứng đầu tuyệt đối trên toàn bộ 9 chỉ số đánh giá. Ưu thế về độ chính xác hình học thể hiện đặc biệt rõ rệt: khoảng cách Chamfer Distance (CD ↓) giảm gần một nửa — từ 0.018 (của baseline mạnh nhất Pixal3D) và 0.016 (của GPT-6-Astra) xuống chỉ còn 0.009; điểm F1 ↑ tăng vọt từ 0.780 lên 0.904; đồng thời chất lượng ngoại quan PSNR ↑ cũng đạt mức cao nhất 17.97 dB.
Trên bộ dữ liệu đồ chơi tổng hợp Toys4K (Bảng 1 trong bài báo), GATOR cũng dẫn đầu cả 7 chỉ số, giảm 19,7% sai số CD so với đối thủ mạnh nhất là Pixal3D-MV.
| GPT-6-Astra (Thuần Agent) | 0.027 | 100.00 | 0.016 | 0.799 | 0.773 | 0.791 | 17.16 | 0.886 | 0.160 |
|---|---|---|---|---|---|---|---|---|---|
| SimFoundry | 0.183 | 63.36 | 0.040 | 0.716 | 0.533 | 0.626 | 14.90 | 0.875 | 0.200 |
| RecGen | 0.057 | 85.50 | 0.021 | 0.791 | 0.666 | 0.757 | 16.00 | 0.885 | 0.178 |
| ReconViaGen | — | — | 0.027 | 0.750 | 0.608 | 0.730 | 14.48 | 0.858 | 0.181 |
| ShapeR | 0.057 | 87.02 | 0.028 | 0.709 | 0.606 | 0.700 | — | — | — |
| MV-SAM3D | 0.044 | 91.60 | 0.019 | 0.778 | 0.687 | 0.757 | 15.51 | 0.883 | 0.168 |
| Pixal3D | — | — | 0.018 | 0.784 | 0.780 | 0.813 | 16.94 | 0.890 | 0.163 |
| GATOR (Ours - Đầy đủ) | 0.022 | 98.47 | 0.009 | 0.859 | 0.904 | 0.841 | 17.97 | 0.890 | 0.140 |
Quan sát hình ảnh so sánh trực quan dưới đây (Hình 6), có thể thấy rõ GATOR không chỉ khôi phục chuẩn xác tỷ lệ hình học tổng thể mà còn tái tạo sắc nét từng dòng chữ in trên vỏ hộp bánh Jaffa Cakes, các vòng sợi kim loại mảnh mai của cây đánh trứng (whisk) hay phần nắp mở của hộp đựng — những chi tiết mà các mô hình khác làm bệt dính hoặc biến dạng nặng.
3.2 · Quét không gian phòng trong nhà (ScanNet++): Che khuất nặng hơn nhưng vẫn vững vàng
Khi nâng mức độ thử thách lên kịch bản quét phòng thực tế ScanNet++ (số lượng góc nhìn dao động từ 1 đến 10 góc chụp với thông số camera tự ước lượng, bối cảnh căn phòng bừa bộn và mức độ che khuất nặng hơn hẳn), GATOR vẫn giữ vững ngôi đầu trên tất cả các chỉ số (Bảng 3). Sai số hình học CD ↓ giảm tới 23% so với baseline mạnh nhất là RecGen (0.031 so với 0.041) và vượt qua cả GPT-6-Astra dựng từ đầu (0.033).
Đáng chú ý hơn cả là năng lực nhận biết tư thế (Pose-Awareness) của GATOR: ngay cả khi KHÔNG dùng bất kỳ thuật toán căn chỉnh vật thể hậu xử lý (post-hoc object alignment) nào, chỉ số ADD-SB@0.1 của GATOR vẫn đạt tới 96,36% trên bộ dữ liệu HANDAL và 95,63% trên bộ dữ liệu ScanNet++.
Lưu ý về ranh giới giữa các nhóm chỉ số đánh giá: • CD (Chamfer Distance), NC (Normal Consistency), F1: đo độ chính xác hình học thuần túy của lưới 3D. • PSNR, SSIM, LPIPS: đo chất lượng ngoại quan (vân bề mặt & màu sắc) khi kết xuất ra ảnh 2D. • ADD-SB (Symmetric Boundary-Aware Average Distance): đo đồng thời cả 「Tư thế 6D + Hình dạng 3D」 trong hệ tọa độ cảnh gốc, đặt dưới góc camera và ánh sáng khớp chuẩn.
| GPT-6-Astra | 0.049 | 90.83 | 0.033 | 0.716 | 0.581 | 0.716 |
|---|---|---|---|---|---|---|
| SimFoundry | 0.125 | 72.49 | 0.104 | 0.664 | 0.426 | 0.614 |
| RecGen | 0.067 | 90.83 | 0.041 | 0.703 | 0.540 | 0.682 |
| ReconViaGen | — | — | 0.161 | 0.676 | 0.423 | 0.498 |
| ShapeR | 0.071 | 81.66 | 0.060 | 0.684 | 0.458 | 0.610 |
| MV-SAM3D | 0.057 | 90.83 | 0.042 | 0.699 | 0.493 | 0.648 |
| Pixal3D | — | — | 0.052 | 0.679 | 0.475 | 0.623 |
| GATOR (Ours) | 0.041 | 95.63 | 0.031 | 0.726 | 0.603 | 0.733 |
3.3 · Nghiên cứu triệt tiêu (Ablation Study): Ba mảnh ghép phối hợp nhịp nhàng
Để làm rõ đóng góp thực sự của từng thành phần trong kiến trúc GATOR, nhóm tác giả đã thực hiện nghiên cứu triệt tiêu (ablation study) trên 55 vật thể thuộc bộ dữ liệu HANDAL với 4 góc nhìn đầu vào (Bảng 4). Kết quả cho thấy từng mô-đun đều giải quyết đúng một mắt xích trọng yếu:
- Khi thêm Bộ trộn đa phương thức cục bộ (+ Modality mixer): cải thiện mạnh mẽ độ khớp kết hợp 「Tư thế + Hình học」, kéo sai số ADD-SB Mean giảm sâu từ 0.057 xuống 0.037 và nâng IoU_2D từ 0.688 lên 0.700.
- Khi thêm Dẫn hướng văn bản (+ Text conditioning): tạo bước nhảy vọt trên toàn bộ 9 chỉ số — ADD-SB Mean giảm tiếp xuống 0.032, tỷ lệ ADD-SB@0.1 vọt từ 94.55% lên 98.18%, CD giảm từ 0.011 xuống 0.008, F1 tăng từ 0.872 lên 0.930 và PSNR tăng từ 18.16 lên 18.93 dB.
- Khi thêm Tinh chỉnh bằng Agent (+ Agentic refinement): tập trung hoàn thiện chất lượng ngoại quan và độ tinh xảo của lưới cục bộ — đưa CD xuống 0.007, F1 đạt 0.936, PSNR bứt phá lên 19.60 dB và LPIPS giảm xuống 0.097, giúp đục thông các lỗ hổng bị bít và làm sạch các rãnh khuyết không đều.
| Mô hình cơ sở (Base model) | 0.057 | 94.55 | 0.010 | 0.813 | 0.877 | 0.688 | 18.20 | 0.922 | 0.116 |
|---|---|---|---|---|---|---|---|---|---|
| + Bộ trộn đa phương thức (Modality mixer) | 0.037 | 94.55 | 0.011 | 0.811 | 0.872 | 0.700 | 18.16 | 0.922 | 0.114 |
| + Dẫn hướng văn bản (Text conditioning) | 0.032 | 98.18 | 0.008 | 0.828 | 0.930 | 0.739 | 18.93 | 0.925 | 0.102 |
| + Tinh chỉnh bằng Agent (Đầy đủ - Full GATOR) | 0.032 | 98.18 | 0.007 | 0.829 | 0.936 | 0.717 | 19.60 | 0.918 | 0.097 |
3.4 · Hiệu năng thực thi: 0,5 phút tạo nền vượt xa 20 phút thuần Agent
Về mặt kỹ thuật triển khai thực tế, con số thuyết phục nhất của bài báo nằm ở biểu đồ đánh đổi thời gian suy luận (Hình 9): chỉ riêng phần tái tạo tạo sinh của GATOR (chưa bật Agent tinh chỉnh) mất vỏn vẹn khoảng 0,5 phút đã đạt chất lượng vượt qua cả hệ thống Agent thương mại GPT-6-Astra chạy liên tục suốt 20 phút.
Cụ thể hơn, khi thử nghiệm trên 10 vật thể mặt bàn với các mức ngân sách thời gian khác nhau, nếu bắt GPT-6-Astra dựng mô hình từ con số 0: với ngân sách 1 phút, hệ thống có 0/10 vật thể hợp lệ (không kịp hoàn tất tài sản 3D nào); với ngân sách 2 phút, chỉ tạo được 5/10 vật thể hợp lệ; phải cần tới tối thiểu 5 phút thì cả 10/10 vật thể mới xuất ra thành công. Điều này chứng minh rõ ràng rằng: việc dùng mô hình tạo sinh 3D làm 「điểm neo khởi đầu」 giúp hệ thống bỏ qua hoàn toàn giai đoạn 「dựng phôi từ con số 0」 — vốn là công đoạn khó nhất, đắt đỏ nhất và kém ổn định nhất đối với các Agent mã hóa.
3.5 · Khả năng mở rộng linh hoạt: Càng nhiều góc nhìn càng chính xác
Một ưu điểm thực tiễn khác của GATOR là cùng một bộ trọng số mô hình duy nhất có thể tự nhiên nhận số lượng góc nhìn đầu vào biến thiên linh hoạt. Khi tăng số góc quan sát từ 2 lên 8 góc trên bộ dữ liệu LM-O/HB (Bảng 7 trong bài báo), cả hai sai số ADD-SB và CD đều giảm xuống một cách nhất quán. Đáng kinh ngạc là ngay cả khi chỉ được cung cấp 2 góc nhìn thưa thớt, sai số hình học CD của GATOR cũng chỉ bằng khoảng một nửa so với mô hình Pixal3D được cung cấp tới 8 góc nhìn.
04 · Tổng kết: Khi Tạo sinh 3D và Agent đa phương thức bắt tay đúng chỗ
Giá trị lớn nhất của NVIDIA GATOR nằm ở tư duy thiết kế hệ thống cực kỳ thực dụng: thay vì đặt cược toàn bộ vào một mạng tạo sinh đầu-cuối hay một vòng lặp Agent đắt đỏ, GATOR dung hợp hai hướng tiếp cận tưởng chừng đối lập thành một dây chuyền sản xuất tài sản 3D ăn khớp hoàn hảo:
- Tái tạo tạo sinh (Generative Reconstruction) đóng vai trò 「đánh nhanh thắng nhanh」: chỉ trong 0,5–1 phút, tổng hợp tín hiệu RGB + Mask + Depth cùng ngữ nghĩa văn bản để đúc ra một tài sản 3D hoàn chỉnh, có sẵn tư thế chuẩn xác và đạt ngay 80–90% độ hoàn thiện.
- Tinh chỉnh bằng Agent (Agentic Refinement) đóng vai trò 「bác sĩ phẫu thuật cục bộ」: đứng trên nền tảng phôi 3D đáng tin cậy, sử dụng Blender để sửa các lỗi hình học tinh vi (đục thông lỗ tay cầm, tách khe hở, làm nét chữ và vật liệu PBR) dưới sự giám sát nghiêm ngặt của bộ kiểm chứng kết xuất đối chiếu.
Tất nhiên, để đưa quy trình này vào sản xuất công nghiệp ở quy mô lớn hơn nữa, vẫn còn những hướng mở đáng tiếp tục nghiên cứu: giảm sự phụ thuộc vào quy mô dữ liệu huấn luyện tổng hợp, giảm chi phí và độ trễ của API mô hình thương mại trong pha tinh chỉnh Agent, cũng như nâng cao hơn nữa độ ổn định ước lượng tư thế trong những điều kiện ánh sáng hoặc phản xạ gương cực đoan.