给定一个标题，DreamFusion生成具有高保真外观、深度和法线的可重定向3D对象。对象被表示为神经辐射场，并利用预先训练的文本到图像扩散。

官网摘要：

文本到图像合成的最新突破是由在数十亿图像-文本对上训练的扩散模型驱动的。将这种方法应用于3D合成将需要标记的3D资产的大规模数据集和用于对3D数据进行去噪的高效架构，这两者目前都不存在。在这项工作中，我们通过使用预训练的2D文本到图像扩散模型来执行文本到3D合成来规避这些限制。我们介绍了一种基于概率密度蒸馏的损失，使使用的2D扩散模型的参数化图像生成器的优化的先验。在类似DeepDream的过程中使用这种损失，我们通过梯度下降优化随机初始化的3D模型（神经辐射场，NeRF），以便其随机角度的2D渲染实现低损失。所得到的给定文本的3D模型可以从任何角度查看，通过任意照明重新照明，或合成到任何3D环境中。 我们的方法不需要3D训练数据，也不需要修改图像扩散模型，证明了预训练的图像扩散模型作为先验的有效性。