LGM es un nuevo marco para generar modelos 3D de alta resolución a partir de indicaciones de texto o imágenes de vista única. Sus ideas clave son: (1) Representación 3D: Presentamos las características gaussianas multivista como una representación eficiente y potente que luego se puede fusionar para renderizar de forma diferenciable. (2) Backbone 3D: Presentamos una U-Net asimétrica como un backbone de alto rendimiento que opera imágenes multivista, lo que permite generar a partir de entradas de texto o imágenes de vista única mediante el aprovechamiento de modelos de difusión multivista. Numerosos experimentos demuestran la alta fidelidad y eficiencia de nuestro método. Cabe destacar que hemos logrado la generación de contenido 3D de alta resolución al aumentar la resolución de entrenamiento a 512, manteniendo al mismo tiempo una velocidad de generación rápida de objetos 3D.