text-to-shape問題に関して、大量なテキストと形状のペアデータが必要だが、世の中で少ないためモデル構築しずらい。 本論文が3D形状データのみでテキストから形状を生成する手法「CLIP-Forge」を提案。 CLIPにある画像とテキストの共有潜在埋め込み空間を活用し、3D形状の多角度2Dレンダリング画像をCLIPに入れて、学習段階でテキストのような役割を担わせた。